Profielwerkstuk/meesterproef - Data Science/Artificial Intelligence
Wie zegt nee tegen een cookie?
Vakgebied
Cybersecurity
Aansluiting bij schoolvakken
Wiskunde en Informatica
Taal (Nederlands/Engels/Beide)
Beide
Wat is de opdracht?
Cookies zijn kleine bestanden die informatie over jouw bezoek aan een bepaalde website lokaal kunnen opslaan op jouw toestel. Met behulp van cookiebanners kunnen websites hun gebruikers om toestemming vragen of ze akkoord gaan met het gebruik van cookies. Verder zijn deze pop-ups bedoeld om gebruikers keuzes te geven over hoe hun gegevens worden verzameld en gebruikt
In dit profielwerkstuk ga je analyseren hoe cookiebanners over het algemeen opgebouwd zijn. Je kijkt bijvoorbeeld naar het ontwerp van de banner, welke keuzes gebruikers kunnen maken, of er standaardopties zijn geselecteerd, of of er gebruik wordt gemaakt van zogenoemde "dark patterns" (ontwerpkeuzes die gebruikers onbewust in een bepaalde richting sturen).
Verder analyseer je hoe bepaalde eigenschappen invloed kunnen hebben op het begrip van gebruikers en hoe ze hun keuzes maken.
Wat wordt er van jullie verwacht?
- Verzamel screenshots van cookiebanners op 20+ populaire websites
- Meer voorbeelden leiden tot een betrouwbaarder onderzoek
- Zorg ervoor dat je verschillende soorten websites opneemt (denk bijvoorbeeld aan nieuwssites, webshops, sociale media, overheidswebsites)
- Ontwerp een schema waarmee je de banners kunt analyseren en classificeren. Denk hierbij bijvoorbeeld aan:
- Welke keuzes kunnen gebruikers maken?
- Zijn bepaalde keuzes vooraf geselecteerd?
- Is er een duidelijke uitleg over de verschillende opties?
- Gebruik dit schema om alle verzamelde cookiebanners te analyseren
- Maak een korte enquête met mensen om je heen (klasgenoten, vrienden, familie) over hun gebruik van een cookiebanner en onderzoek in hoeverre hun verwachtingen overeenkomen met de informatie in de banner
- Beschrijf je volledige onderzoek (stappen, methoden, experimenten en resultaten) in een projectrapport
Contact begeleider:
Theodor Schnitzler: theodor.schnitzler@maastrichtuniversity.nl
Een browser heeft geen vingers maar een vingerafdruk
Vakgebied
Cybersecurity
Aansluiting bij schoolvakken
Wiskunde en Informatica
Taal (Nederlands/Engels/Beide):
Beide
Wat is de opdracht?
Elke keer dat je een website bezoekt, deelt jouw browser automatisch veel technische gegevens van jouw toestel met de website.
Denk bijvoorbeeld aan je besturingssysteem, schermresolutie, taalinstellingen, of browserversie.
Door het combineren van deze gegevens kunnen websites soms een verrassend nauwkeurige "vingerafdruk" van jouw toestel maken.
In dit profielwerkstuk ga je analyseren hoe uniek zo'n vingerafdruk is en welke factoren hieraan bijdragen.
Op websites zoals https://panopticlick.org/ of https://amiunique.org/ kun je informatie over jouw eigen vingerafdruk terugvinden.
Je gaat experimenteren met verschillende browsers en configuraties om te ontdekken welke kenmerken bijdragen aan deze vingerafdruk en wat dit betekent voor de privacy van internetgebruikers.
Wat wordt er van jullie verwacht?
- Verdiep je in browser fingerprinting. Zoek uit welke informatie websites kunnen verzamelen en welke eigenschappen kunnen bijdragen aan een vingerafdruk
- Ontwerp een schema waarmee je de vingerafdrukken van verschillende browsers en configuraties kunt vergelijken
- Verander verschillende instellingen en analyseer hoe deze de vingerafdruk beïnvloeden.
- Onderzoek welk effect privacymaatregelen hebben op de vingerafdruk (denk bijvoorbeeld aan het gebruik van een VPN, privacy-extensies of de Tor Browser)
- Beschrijf je volledige onderzoek (stappen, methoden, experimenten en resultaten) in een projectrapport
Contact begeleider
Theodor Schnitzler: theodor.schnitzler@maastrichtuniversity.nl
Bewijs je kennis zonder iets te verklappen
Vakgebied
Cybersecurity
Aansluiting bij schoolvakken
Wiskunde en Informatica
Taal (Nederlands/Engels/Beide)
Beide
Wat is de opdracht?
Hoe kun je iemand bewijzen dat je de oplossing van een belangrijk raadsel weet, zonder die daadwerkelijke oplossing prijs te geven? Binnen de cryptografie is er een hele onderzoeksrichting gewijd aan dit soort vraagstellingen. Dit soort bewijzen heten "zero-knowledge proofs" (nulkennisbewijzen). In dit profielwerkstuk ga je kennis maken met het concept van zero-knowledge proofs, en laat je zien hoe je het, bijvoorbeeld, kunt gebruiken om de oplossing van een sudoku te bewijzen zonder de oplossing vrij te geven.
Wat wordt er van jullie verwacht?
- Bestudeer het concept van zero-knowledge proofs (let op: dit vereist een wiskundige achtergrond en kennis van eindige lichamen),
- Begrijp aan wat voor eisen een zero-knowledge proof moet voldoen om daadwerkelijk zero-knowledge te zijn,
- Onderzoek hoe je (bijvoorbeeld) een oplossing van een sudoku in zero-knowledge kunt bewijzen,
- (Optioneel) Schrijf een implementatie van zo'n bewijs.
Contact begeleider:
Bart Mennink: bart.mennink@maastrichtuniversity.nl
Ontrafel de Enigma
Vakgebied
Cybersecurity
Aansluiting bij schoolvakken
Wiskunde en Informatica
Taal (Nederlands/Engels/Beide)
Beide
Wat is de opdracht?
De Enigma is misschien wel het meest toonaangevende versleutelingssysteem uit de geschiedenis van de cryptografie. Het werd tijdens de Tweede Wereldoorlog door de Duitsers gebruikt, en Alan Turing is er vervolgens in geslaagd de code te breken. In dit profielwerkstuk verdiep je je in het technische ontwerp van de Enigma, hoe Alan Turing in zijn werk is gegaan, en bekijk je hoe de Enigma gebroken kan worden met hedendaagse technieken.
Wat wordt er van jullie verwacht?
- Analyseer de werking van de Enigma (bijvoorbeeld door het uitwerken van het systeem met diagrammen, algoritmes, etc.),
- Omschrijf de zwakheden bekend ten tijde van het gebruik van de Enigma,
- Onderzoek de kracht van de Enigma tegen hedendaagse technieken,
- (Eventueel) Onderzoek hoe simpele verbeteringen de Enigma ten tijden van de Tweede Wereldoorlog sterker zouden hebben kunnen maken.
Contact begeleider:
Bart Mennink: bart.mennink@maastrichtuniversity.nl
Van weersvoorspelling tot pandemieën: Hoe Markov-ketens de wereld modelleren
Begeleider
Martijn Boussé (Begeleiding in het Nederlands of Engels)
Introductie
Hoe verspreidt een ziekte zich? Hoe veranderen migratiepatronen? Hoe kiest een spraakassistent het volgende woord? Hoewel verschillend, kunnen deze processen allemaal worden gemodelleerd met Markov-ketens, een krachtig hulpmiddel binnen kansrekening en lineaire algebra. Ze worden gebruikt in machine learning, weersvoorspellingen, zoekmachines en zelfs in duurzaamheidsmodellen. Markov-ketens spelen een grote rol in Data Science, AI en Computer Science. Ben je geïnteresseerd in technologie en wiskunde met impact? Dan is dit profielwerkstuk iets voor jou!
Je gaat zelf een Markov-model ontwikkelen voor een realistisch probleem, zoals virusuitbraken, verkeersstromen of economie. Je leert hoe Markov-ketens werken en analyseert ze met lineaire algebra. Je bouwt een simulatie in Python, Matlab, of Excel en onderzoekt de voorspellende kracht van je model. Wat gebeurt er op de lange termijn? Hoe gevoelig is je model? Je presenteert je resultaten en krijgt een voorproefje van BSc Data Science & AI, BSc Computer Science of BSc Circular Engineering!
Op te leveren
Een theoretische uitleg van Markov-ketens en hun toepassingen.
- Een implementatie van een Markov-model in Python, Matlab, of Excel, waarbij je een toepassingsgebied kiest.
- Een analyse waarin je onderzoekt hoe goed jouw model werkt en welke beperkingen het heeft.
- Een eindrapport waarin je jouw resultaten presenteert en uitlegt hoe Markov-ketens in de praktijk worden gebruikt.
Bronnen
Lesgeven met behulp van AI
Begeleider
Martijn Boussé
Introductie
Hoe kunnen we AI-taalmodellen, zoals ChatGPT, gebruiken om de leerervaring van studenten te verbeteren? Het klaslokaal verandert en studenten leren niet langer alleen van een leraar voor de klas, uit boeken of na het invullen van oefenboekjes. Leren kan (veel) actiever zijn en kan worden verbeterd door recente AI-tools. Het doel van deze opdracht is om nieuwe manieren te bedenken om taalmodellen buiten de klas te gebruiken om de leerervaring te verbeteren. Studenten kunnen nieuwe interactieve en door AI ondersteunde formats, opdrachten of studietechnieken voorstellen. Op deze manier leren studenten over recente taalmodellen, hun mogelijkheden en beperkingen, en hoe ze op de juiste manier kunnen worden gebruikt voor leren buiten het klaslokaal.
Op te leveren
In de beginfase analyseren studenten bestaande leer- en onderwijsopzetten en identificeren mogelijke verbeterpunten met behulp van taalmodellen. Om dit te doen, zullen ze de literatuur verkennen, experts aan de universiteit interviewen, studenten enquêteren, docenten observeren, enz. Vervolgens zullen ze een nieuw AI-ondersteund leer- en/of onderwijsopzet voorstellen met een concreet implementatieplan. Ze passen hun opzet toe in hun eigen onderwijs en vatten de resultaten samen in een rapport, waarin ze onderzoeksvragen stellen en deze op wetenschappelijke wijze beantwoorden. Het rapport moet hun keuzes duidelijk motiveren.
Bronnen
https://onderwijscommunity.nl/artikelen/chatgpt-ai-in-het-onderwijs/
Game Theory in the Classroom
Supervisor
Gijs Schoenmakers (Supervision in Dutch or English)
Introduction
Game Theory is the research field that describes and analyzes situations where two or more people, who may or may not have conflicting interests, make strategic decisions and where everyone tries to maximize their own outcome. Such a situation is called a game.
The goal of this assignment is to help the classmates of the students increase their ability to think and act strategically, by having them play some game theoretic games. The students involved in this project should host these games and be able to explain to the classmates what they did right and wrong during the game play.
Deliverables
The project consists of two phases. In the initial phase, the students perform a study to get a grasp of basic game theoretic concepts like rationality, common knowledge, best replies, and equilibrium. The students should be able to solve basic game theory problems by the end of this phase.
During phase 2, the students go on a search for interesting games (from a game theoretic perspective) for their fellow classmates to play, or create some themselves. At the end of the project, the students let their classmates play these games, and explain what it is that they did right or wrong during the play of these games.
The results will be summarized in a report where they pose research questions and answer them in a scientific way. The report should clearly motivate their choices.
Sources
Treat signals with care
Supervisor
Pietro Bonizzi (Supervision in English only)
Introduction
Signals are everywhere around us. The chirp of a bird, the music we listen to, the signals that our smart phones receive and send to allow us communicate with one another. A signal can be viewed as a “carrier of information”. In order to listen to music through our smart phones, or to be able to analyze a signal (like a gravitational wave) with a computer, we need first to transform a signal into a finite sequence of values. This is called signal digitalization, or signal sampling. This transformation must be performed properly, so that the characteristics of the original signal are preserved. Otherwise, an improper sampling can generate “aliasing”, which means that the signal’s properties have been altered. For instance, a music piece that eventually does not sounds “right”.
Deliverables
In the initial phase, students become familiar with what signals are, and how signals can be converted to sequences of values that can be stored into an electronic device, like a computer. Next, student will try to understand under what conditions a signal can be digitalized properly, and what is the impact of an incorrect digitalization of a signal. Next, the students will design a simple app or graphic user interface to explain the concept of signal sampling to laymen, and allow people to play with simple toy examples.
Students run their format in their own classroom and summarize the results in a report where they pose research questions and answer them in a scientific way. The report should clearly motivate their choices.
Sources
What can genes tell us?
Supervisor
Rachel Cavill (Supervision in English only)
Introduction
Biology is transforming into a science of BIG data. One of the easiest datatypes we measure is the expression of genes. Naively, each gene codes for one protein and the more a gene is expressed, the more of that protein will be made (in reality it’s a lot more complicated that this!). There are thousands of public gene expression datasets. In this project, we will pick a disease that interests you, find a relevant dataset and explore it using data science and machine learning.
Deliverables
You will be introduced to different data science tools for exploring data. Depending on their interests, these can either be web-based/ point and click applications, or we can explore writing programming code to do the analysis.
We will find a relevant dataset for the disease of interest.
We will look at what the biggest differences (changes in gene expression levels) between the samples are using different data science methods to visualize our data.
We will look at what the differences are between samples from sick people and healthy people. Can we predict who is sick from their gene expression?
We will look at which biological processes the genes that change are involved in and explore how this relates to what is already known about the disease.
Sources
Databases with datasets (not easy to use without an expert!):