In onze opleiding staat een ervaring in het werkveld centraal. Daarom worden masterproeven zoveel mogelijk in samenwerking met de industrie georganiseerd. Hieronder vind je een selectie aan recente masterproeven, waarvan enkele ook een prijs in de wacht sleepten.

Interesse om als bedrijf of andere instelling een toekomstig ingenieur zijn eerste stappen te laten zetten op de arbeidsmarkt? Neem dan zeker een kijkje bij Samenwerken!

Wil je de leeftijd van een boom achterhalen, dan is het tellen van zijn jaarringen de sleutel. Maar jaarringen bieden meer dan alleen dat. Dendrochronologie, de studie van jaarringen, werpt licht op de klimaatgeschiedenis van de aarde, de impact ervan op menselijke samenlevingen en de complexe relatie tussen mens en natuur. Deze wetenschap vereist gedetailleerde beeldvorming van het oppervlak van houten schijven en boorkernen van bomen. Deze thesis richt zich op de ontwikkeling van een nieuw robotsysteem dat onderzoekers in staat stelt deze beelden vast te leggen. Om dit te kunnen realiseren, wordt de robot aangestuurd via een webinterface, waarbij vol-automatisch verschillende objecten sequentieel in kaart kunnen worden gebracht met behulp van EFI & mosaicing. Met een resolutie van 4.5 μm kunnen beelden worden vastgelegd met een afmeting van 4069 bij 4069 pixels, wat gedetailleerde metingen mogelijk maakt en het ontcijferen van informatie die is opgeslagen in de boomringen vergemakkelijkt.
Met de toenemende afhankelijkheid van digitale informatie en technologie is cyberbeveiliging een cruciale zorg geworden voor individuen en organisaties. Intrusiedetectiesystemen (IDS) spelen een essentiële rol bij netwerkbeveiliging door de gegevens- en verkeersflow te monitoren. Machine learning gebaseerde IDS-systemen worden al jaren onderzocht als een alternatief voor de bestaande IDS-systemen maar er heerst een grote discrepantie tussen de resultaten in onderzoek en wat er effectief in werkelijkheid wordt gebruikt. Deze studie identificeert het gebrek aan generalisatie als een belangrijk probleem en stelt een methodologie voor om dit aan te pakken. De voorgestelde methodologie maakt gebruik van XAI-technieken, in het bijzonder SHAP, om contaminerende eigenschappen in IDS-datasets te detecteren en hun impact op het generalisatievermogen van machine learning modellen te evalueren.
Het bouwen van streamverwerkings topologieën voor zowel ETL taken als data analyse vereist vaak een nauwe samenwerking tussen data engineers en data scientists. Data scientists willen misschien hun methodes voor analytics iteratief veranderen, willen mogelijks stappen toevoegen of verwijderen in de topologie, echter vereist dit expertise die de data engineer bezit. De huidige state-of-the-art biedt echter geen cohesieve voorzieningen voor samenwerking: bestaande technologieën bieden ofwel geen transparante technieken voor wijzigingsbeheer, ofwel geen methoden voor het gezamenlijk modelleren en bouwen van topologieën.

Dit onderzoek stelt een methode voor om asynchrone samenwerking mogelijk te maken bij zowel het modelleren als het wijzigingsbeheer van staatloze streamverwerkings topologieën. De geïntroduceerde concepten worden geïllustreerd aan de hand van de ontwikkeling van Plumber: een Kubernetes-native raamwerk dat de iteratieve ontwikkeling en het beheer van verwerkings topologieën op een serverless manier mogelijk maakt.