Projecten
Retrokit - Optimalisatie van Machine Retrofitting met Retrokit: Een Modulaire Machine Learning Aanpak voor Edge-Based Conditie Monitoring KU Leuven
Steeds meer bedrijven stappen over naar Industrie 4.0, maar worden geconfronteerd met een verouderd machinepark. Retrofitting is een kosteneffectieve en niet-ingrijpende strategie om oudere industriële machines in overeenstemming te brengen met de normen van Industrie 4.0 door extra technologische functies toe te voegen. De M-Group aan de KU Leuven Campus Brugge heeft een conditiemonitoring-methodologie ontwikkeld met behulp van ...
Sabbatperiode Celine Vens: Geavanceerde machine learning methoden in de gezondheidszorg KU Leuven
De komst van deep learning-methoden heeft een revolutie teweeggebracht op het gebied van machine learning en de praktische toepassingen ervan. Ook in de gezondheidszorg heeft deep learning tot veel doorbraken geleid, bijvoorbeeld in de computergestuurde diagnostiek. Hoewel de meeste eerste successen zijn geboekt in de context van medische beeldvorming, zien we nu veel toepassingen van deep learning met andere bronnen van medische gegevens, ...
Machine Learning @ the Extreme Edge Karel De Grote Hogeschool
Versnelling van machine learning op heterogene platforms KU Leuven
Vooruitgang op het gebied van biomedische sensoren, wearables en medische implantaten, in combinatie met state-of-the-art algoritmen van signaalverwerking, machine learning en kunstmatige intelligentie, transformeren het zorglandschap. Systemen die rond deze technologieën zijn gebouwd, maken gezondheidsmonitoring op afstand mogelijk, verbeteren de patiëntenzorg, detecteren levensbedreigende aandoeningen of voorspellen zelfs ...
Interactieve verklaringsmethoden: naar de volgende generatie interactieve machine learning gestuurd met rijke feedback van niet-deskundige gebruikers KU Leuven
Betere inzichten in de spatiale organizatie van weefsels met behulp van machine learning en spatial transcriptomics Universiteit Gent
In dit project zullen we nieuwe methoden ontwikkelen om beter de spatiale context binnen weefsels functioneel te gaan karakteriseren. Hierbij beogen we de integratie van single-cell multi-omics (transcriptoom en proteoom), spatiale transcriptoomdata en confocale microscopie. Nieuwe machine learning technieken zullen ontwikkeld worden om de hoge spatiale resolutie van microscopie-technieken te combineren met de diepe phenotyperingscapaciteiten ...