Leergang1.500 uur · Online · 11 modules
Leergang Machine Learning voor Maritieme Veiligheid
Je leert afwijkende patronen opsporen en de maritieme sector beschermen tegen actuele dreigingen. AIS-analyse, anomaliedetectie, machine learning-modellen en de inzet daarvan in een operationeel centrum komen aan bod. Het programma combineert datawerk met maritiem domeinbegrip.
Duur1.500 h
VormOnline
Start1 december
Modules11
Programmadiagnose
Check je voorkennis
Dit zijn de competenties die dit programma je oplevert. Vink aan wat je al beheerst en we laten je zien welk deel van het studieprogramma bij jou past.
Jouw diagnose
6van 6 nog te verwerven
Je begint in dit vakgebied bij nul. Het programma is precies daarvoor opgezet.
Over het programma
Wat is het programma Leergang Machine Learning voor Maritieme Veiligheid?
Deze online leergang van 1.500 uur bereidt u voor op het beschermen van de maritieme sector tegen actuele dreigingen. U leert afwijkende patronen in navigatiegegevens te detecteren, cybersecurityrisico's op schepen en in havens te voorzien en de noodrespons te optimaliseren. De leergang combineert de theorie van machine learning met praktijkcases.
Wat deze leergang onderscheidt: een focus op maritieme toepassingen, toegang tot geanonimiseerde datasets en werken met tools zoals Python en TensorFlow.
Type programmaLeergang
VormOnline
Duur1.500 uur
Modules11
Start1 december
Hoogtepunten van het programma
- Geavanceerde predictieve analytics voor de vroegtijdige detectie van dreigingen.
- Integrale maritieme veiligheid: bescherming van schepen, havens en routes.
- Visualisatie van geospatiale gegevens op interactieve kaarten.
- Praktijkcases en simulaties van echte situaties in de sector.
- Een carrièreboost in de maritieme veiligheid.
Studieprogramma
Studieprogramma van Leergang Machine Learning voor Maritieme Veiligheid
11 modules. Selecteer een module om de inhoud te bekijken.
Module 1
Grondbeginselen van machine learning en datawetenschap voor het maritieme domein
- 1.1. Inleiding tot machine learning in de maritieme sector: toepassingen in veiligheid, bewaking en noodrespons
- 1.2. Voorbewerking, opschoning en imputatie van ruisgevoelige maritieme gegevens (radar-, sonar-, GNSS- en IoT-sensoren)
- 1.3. Toegepaste algoritmen voor supervised learning: regressie, beslisbomen, Random Forest en SVM
- 1.4. Algoritmen voor unsupervised learning: clustering (K-Means, DBSCAN) voor verkeerspatronen en anomaliedetectie
- 1.5. Grondbeginselen van deep learning: meerlaagse perceptron en geavanceerde architecturen
- 1.6. Evaluatie en validatie van modellen: prestatiemetrieken (precision, recall, ROC-AUC) bij zeldzame risicogebeurtenissen
- 1.7. Tools en bibliotheken van het Python-ecosysteem (Scikit-Learn, TensorFlow, PyTorch, Pandas, GeoPandas)
- 1.8. Inname en beheer van realtime datastromen (Data Streaming) voor maritieme controleomgevingen
- 1.9. MLOps-principes: uitrol, monitoring en bijwerking van modellen in reddingscoördinatiecentra en aan boord van schepen
- 1.10. Ethiek, bias en uitlegbaarheid van AI (XAI - SHAP/LIME) bij kritieke navigatiebeslissingen
In deze fase
136 hgeschatte studielast11 wkweken in jouw tempoModule 2
Anomaliedetectie en identificatie van onregelmatig scheepvaartverkeer (AIS/radar)
- 2.1. Structuur en grootschalige verwerking van AIS-gegevens (Automatic Identification System) en VMS-gegevens (Vessel Monitoring System)
- 2.2. Algoritmen voor uitlijning en reconstructie van trajecten met Kalman-filters en recurrente neurale netwerken (RNN/LSTM)
- 2.3. Detectie van uitgeschakelde transponders (Dark Vessels) en verdacht gedrag met machine learning
- 2.4. Identificatie van illegale, ongemelde en ongereglementeerde visserij (IOO / IUU) via analyse van ruimtelijk-temporele patronen
- 2.5. Unsupervised modellen (Isolation Forest, autoencoders) voor het opsporen van onopzettelijke of kwaadwillige koersafwijkingen
- 2.6. Automatische classificatie van scheepstypen op basis van kinematica en manoeuvreerpatronen
- 2.7. Detectie van GPS/AIS-identiteitsspoofing en vervalsing van scheepsposities
- 2.8. Modellering van verkeersdichtheid en dynamische heatmaps van aanvaringsrisico
- 2.9. Integratie van gegevens van kustradar en synthetische-apertuurradar (SAR) met telematicasignalen
- 2.10. Vroegtijdige waarschuwingssystemen voor detectie van drugssmokkel, smokkel en piraterij op volle zee
In deze fase
136 hgeschatte studielast11 wkweken in jouw tempoModule 3
Computervisie en automatische doelherkenning op zee
- 3.1. Grondbeginselen van computervisie in de mariene omgeving: optische uitdagingen (schittering, golven, mist, reflectie)
- 3.2. Realtime detectie en segmentatie van objecten op zee met de architecturen YOLO, Faster R-CNN en Mask R-CNN
- 3.3. Classificatie van vaartuigen op basis van elektro-optische (EO) en infraroodbeelden (IR/FLIR)
- 3.4. Verwerking van optische satellietbeelden en synthetische-apertuurradar (SAR) voor wereldwijde oceaanbewaking
- 3.5. Automatische identificatie van obstakels, drenkelingen, drijvende containers en zeefauna
- 3.6. Algoritmen voor multi-object tracking (MOT) in videobeelden van boordcamera's
- 3.7. Computervisie toegepast op autonoom aanmeren en navigeren in nauwe vaarwaters
- 3.8. Detectie van olielozingen (Oil Spills) en plasticvervuiling met multispectrale beelden
- 3.9. Fusie van beelden met kinematische gegevens voor immersief situationeel bewustzijn op de brug
- 3.10. Optimalisatie van visiemodellen voor uitvoering op Edge-apparaten (Edge AI) in drones en boeien
In deze fase
136 hgeschatte studielast11 wkweken in jouw tempoModule 4
Aanvaringspreventie en autonome navigatie zonder risico (COLREGs)
- 4.1. Wiskundige formalisering en interpretatie van het COLREG-verdrag (Internationale Bepalingen ter voorkoming van aanvaringen op zee)
- 4.2. Berekening van het scheepsdomein (Ship Domain) en metrieken voor aanvaringsrisico (CPA - Closest Point of Approach, TCPA)
- 4.3. Reinforcement learning voor dynamische besluitvorming bij uitwijkmanoeuvres
- 4.4. Algoritmen voor veilige routeplanning (Path Planning) onder omgevings- en verkeersbeperkingen
- 4.5. Intelligente systemen voor navigatieondersteuning en -assistentie (Decision Support Systems - DSS)
- 4.6. Simulatie van ontmoetingsscenario's met meerdere schepen en oplossing van extreem gevaarlijke situaties
- 4.7. Physics-informed neural networks (PINNs) voor modellering van het dynamische scheepsgedrag
- 4.8. Beoordeling van de menselijke factor en vermoeidheidsanalyse via biometrische monitoring en AI-visualisatie
- 4.9. Integratie van AI met het systeem voor identificatie en tracking over lange afstand (LRIT)
- 4.10. Validatie en certificering van algoritmen voor autonome navigatie volgens IMO-richtlijnen (MASS-schepen)
In deze fase
136 hgeschatte studielast11 wkweken in jouw tempoModule 5
Weersvoorspelling, modellering van de zeegang en veilige routering
- 5.1. Machine-learningmodellen voor snelle voorspelling van extreme weersomstandigheden (plotselinge stormen, orkanen, mist)
- 5.2. Verwerking van oceanografische gegevens: oppervlaktetemperatuur, saliniteit, stromingen en significante golfhoogte
- 5.3. Machine-learningalgoritmen voor voorspelling van de drift van objecten, onbestuurbare vaartuigen en lozingen
- 5.4. Optimalisatie van zeeroutes (Weather Routing) om het risico op schade door zwaar weer te minimaliseren
- 5.5. Detectie en voorspelling van zee-ijs (Sea Ice) en ijsbergen met SAR-beelden en ML
- 5.6. Modellering van extreme golven (Rogue Waves) met deep-learningalgoritmen
- 5.7. Detectie van resonantie en kapseisgevaar door verlies van dynamische stabiliteit (parametrisch rollen)
- 5.8. Fusie van traditionele numerieke voorspellingen (ECMWF, NOAA) met door AI gecorrigeerde modellen
- 5.9. Schatting van golfslagkrachten op offshoreconstructies en havens
- 5.10. Genereren van interactieve weerrisicokaarten en realtime routeadviezen
In deze fase
136 hgeschatte studielast11 wkweken in jouw tempoModule 6
Voorspellend onderhoud, scheepsconditie en operationele veiligheid
- 6.1. Monitoring van de constructieve conditie van de romp (Structural Health Monitoring): detectie van vermoeiing, scheuren en vervormingen
- 6.2. Voorspellend onderhoud van de voortstuwingsinstallatie (hoofd- en hulpmotoren en turbocompressoren) met IoT-sensoren
- 6.3. Analyse van trillings- en smeergegevens met algoritmen voor classificatie van beginnende storingen
- 6.4. Schatting van de resterende levensduur (RUL) van kritieke scheepscomponenten met tijdreeksregressiemodellen
- 6.5. Monitoring van stuurmachine, servomotoren en schroeven om verlies van manoeuvreerbaarheid te voorkomen
- 6.6. Storingsdetectie in brandblussystemen, waterdichtheid van luiken en lenspompen
- 6.7. Beoordeling van de toestand van batterijen en hybride/elektrische voortstuwingssystemen op moderne schepen
- 6.8. Analyse van gegevens van de maritieme zwarte doos (VDR - Voyage Data Recorder) voor veiligheidsaudits
- 6.9. Automatisering van preventieve onderhoudsplannen en nood-bevoorrading van reserveonderdelen
- 6.10. Datagestuurde digitale tweelingen voor realtime beoordeling van de scheepsveiligheid
In deze fase
136 hgeschatte studielast11 wkweken in jouw tempoModule 7
Maritieme cybersecurity en bescherming van kritieke infrastructuur
- 7.1. Analyse van het cyberdreigingslandschap in de maritieme sector: schepen, havens en scheepvaartkanalen
- 7.2. Detectie van inbraken en anomalieën in OT/IT-netwerken aan boord (CAN-bus, NMEA, Modbus) met ML
- 7.3. Bescherming van positioneringssystemen (GPS/GNSS) tegen spoofing- en jammingaanvallen met AI
- 7.4. Cybersecurity op autonome en met de cloud verbonden schepen via Zero Trust-architecturen en AI
- 7.5. Analyse van het cybergedrag van bemanningsleden en controlecentrumpersoneel (detectie van phishing en datalekken)
- 7.6. Voorspellende modellen voor cyberfysieke risico's in haveninfrastructuur en geautomatiseerde terminals
- 7.7. Detectie van ransomware en malware gericht op maritieme industriële besturingssystemen (ICS/SCADA)
- 7.8. Maritieme dreigingsinformatie (Cyber Threat Intelligence) via text mining en NLP
- 7.9. Protocollen voor geautomatiseerde respons op cyberincidenten aan boord tijdens de vaart
- 7.10. Regelgeving voor maritieme cybersecurity (IMO-resolutie MSC.428(98), ISO/IEC 27001, NIS 2)
In deze fase
136 hgeschatte studielast11 wkweken in jouw tempoModule 8
Opsporing en redding (SAR) en slim noodbeheer
- 8.1. Optimalisatie van opsporings- en reddingsoperaties (SAR) via algoritmische voorspelling van zoekgebieden
- 8.2. Autonome coördinatie van dronezwermen (UAV) en onbemande oppervlaktevaartuigen (USV) bij reddingsmissies
- 8.3. Thermische en visuele detectie van personen te water (MOB - man overboord) met Edge AI-algoritmen
- 8.4. Planning van noodevacuaties op passagiersschepen met agentgebaseerde simulatie en ML
- 8.5. Algoritmen voor prioritering en toewijzing van reddingsmiddelen bij scheepsrampen
- 8.6. Analyse van noodoproepen (Mayday) en spraakcommunicatie met natural language processing
- 8.7. Brandrisicobeheer aan boord: voorspelling van de verspreiding van vuur en rook over de dekken
- 8.8. Integratie van vroegtijdige waarschuwingssystemen met de Cospas-Sarsat-satellietnetwerken
- 8.9. Schadebeoordeling na aanvaring of stranding met machine-learningmodellen
- 8.10. Analyse van historische gegevens over scheepsongevallen voor continue verbetering van reddingsprotocollen
In deze fase
136 hgeschatte studielast11 wkweken in jouw tempoModule 9
Havenbeveiliging, controle van maritieme grenzen en wereldwijd maritiem beheer
- 9.1. Slimme bewaking van haventoegangen en afgeschermde zones met gezichts- en kentekenherkenning
- 9.2. Geautomatiseerde containerinspectie: niet-destructieve röntgen-/gamma-analyse met deep-learningbeeldverwerking
- 9.3. Detectie van verstekelingen, mensenhandel en illegale goederen op haventerreinen
- 9.4. Risicobeoordeling van schepen vóór binnenkomst in de haven (slimme havenstaatcontrole)
- 9.5. Voorspellende modellen voor havencongestie en ongevalspreventie op ankerplaatsen
- 9.6. Milieuveiligheid in havens: monitoring van luchtkwaliteit, geluid en onopzettelijke lozingen
- 9.7. Coördinatie van de beveiliging op de raakvlakken schip-haven (ISPS-code)
- 9.8. Geopolitieke inlichtingen en risicobeoordeling van zeeroutes in conflictgebieden
- 9.9. Door AI versterkte informatie- en beheersystemen voor verkeersbegeleiding (VTS - Vessel Traffic Services)
- 9.10. Internationaal bestuur, gegevensprivacy op volle zee en regulering van kunstmatige intelligentie in de beveiliging
In deze fase
136 hgeschatte studielast11 wkweken in jouw tempoModule 10
Ethiek, uitlegbaarheid en operationele uitrol van machine-learningmodellen
- 10.1. Kwaliteit van maritieme trainingsgegevens
- 10.2. Bias en robuustheid van modellen
- 10.3. Uitlegbaarheid en interpreteerbaarheid
- 10.4. Validatie en testen van modellen
- 10.5. MLOps en uitrol in productie
- 10.6. Edge computing aan boord
- 10.7. Monitoring van modeldrift
- 10.8. Regulering van AI
- 10.9. Verantwoordelijkheid en menselijk toezicht
- 10.10. Project voor operationele uitrol
In deze fase
136 hgeschatte studielast11 wkweken in jouw tempoModule 11
Masterproef: intelligent systeem voor maritieme veiligheid
- 11.1. Definitie van een reële casestudy op het gebied van maritieme veiligheid (preventie, bewaking, SAR of cybersecurity)
- 11.2. Selectie, verzameling en structurering van maritieme datasets (AIS, satellietbeelden, sensoren)
- 11.3. Ontwerp van de machine-learning- of deep-learningarchitectuur om het gestelde probleem op te lossen
- 11.4. Training, hyperparameter-tuning en optimalisatie van de ontwikkelde modellen
- 11.5. Integratie van componenten in een realtime datapijplijn (Data Pipeline)
- 11.6. Ontwikkeling van de gebruikersinterface / het operationele dashboard voor reddingscentra of scheepsbruggen
- 11.7. Experimentele validatie van het systeem met ongeziene gegevens en simulaties van kritieke scenario's
- 11.8. Beoordeling van de impact op risicoreductie, operationele kosten en responstijden
- 11.9. Opstellen van het technische rapport en de managementsamenvatting volgens academische en industriële normen
- 11.10. Openbare presentatie, live demonstratie van het model en mondelinge verdediging voor de deskundigenjury
In deze fase
136 hgeschatte studielast11 wkweken in jouw tempoPlan je tempo
Duur en vorm van Leergang Machine Learning voor Maritieme Veiligheid
Het programma omvat 1.500 uur. Geef aan hoeveel uur per week je kunt studeren en we vertellen je wanneer je echt klaar bent.
4 h30 h
Met 12 uur per week
29
maanden tot je klaar bent
125 weken
weken in totaal
In dit tempo ronden de meeste studenten het programma af. Het past goed bij de betaling in termijnen.
Docenten
Academische leiding en docenten
Het docententeam van Navalis: professionals uit de praktijk die de programma's verzorgen en begeleiden.
Dra. Marina AlcoverAcademisch directeur en hoofd kwaliteitszorg
Ing. Diego CifuentesHoofddocent Scheepslassen en Niet-destructief Onderzoek; hoofd QA/QC lasverbindingen
Cap. Javier Abaroa (MCA)Hoofddocent Scheepsmanoeuvreren, Elektronische Navigatie (ECDIS/Radar/ARPA) en GMDSS; coördinator STCW-naleving en Bridge Resource Management
Dr. Pau FerrerHoofddocent Scheepsbouwkunde en Simulatie; directeur van het Laboratorium voor Hydrodynamica en CFD
Dra. Nuria LlobregatHoofddocent Maritieme Meteorologie, SAR en Operationele Veiligheid; coördinator navigatierisicobeheer
Ing. Javier BañulsHoofddocent Elektrotechniek, Automatisering en ETO-techniek; coördinator elektronische integratie en machinekameralarmen
Ing. Sofía MarquinaHoofddocent Materialen, Composieten en Corrosiebescherming; coördinator van de lijn geavanceerde verven en coatings
Ing. Tomás RieraHoofddocent Voortstuwing, Alternatieve Energie en Hybride Systemen; coördinator energieprestaties en trillingenDoelstellingen
Doelstellingen van Leergang Machine Learning voor Maritieme Veiligheid
01Verdachte activiteiten in realtime detecteren en voorspellen.
02Het risicobeheer in maritieme operaties optimaliseren.
03De identificatie van anomalieën in het maritieme verkeer automatiseren.
04Voorspellende modellen ontwikkelen om maritieme incidenten te voorkomen.
05De efficiëntie van de maritieme noodrespons verbeteren.
06De cybersecurity van kritieke maritieme infrastructuur versterken.
Loopbaanmogelijkheden
Loopbaanmogelijkheden na Leergang Machine Learning voor Maritieme Veiligheid
Veelgestelde vragen
Vragen over Leergang Machine Learning voor Maritieme Veiligheid
Maritieme veiligheid
Voor professionals in maritieme veiligheid, rederijen en havens, en voor data-analisten en ingenieurs die machine learning willen inzetten om de maritieme sector te beschermen.
100% online, met een virtuele campus die 24/7 beschikbaar is, opgenomen live sessies en tutorials met het docententeam.
Aanvaringen voorspellen en voorkomen door analyse van radar-, AIS- en weergegevens.
Met Python en TensorFlow, geanonimiseerde maritieme datasets, het opsporen van afwijkende patronen in navigatiegegevens en het visualiseren van geospatiale gegevens op interactieve kaarten.
Ja. Je leert cyberbeveiligingsrisico's op schepen en in havens te voorspellen en de noodrespons te optimaliseren met behulp van voorspellende analyse.
Het programma heeft een studielast van 1.500 uur, die je in je eigen tempo kunt volgen binnen de planning die je bij inschrijving ontvangt. Elk programma heeft een eigen startdatum, die het toelatingsteam bevestigt.
Met praktijkcases met echte datasets, korte kennistoetsen en een eindproject waarin je een machine-learningoplossing ontwikkelt voor een maritiem veiligheidsprobleem.
Verwante programma's
Meer programma's in Innovatie en startups
Online toelating
Toelatingsprocedure
Je hoeft niet te wachten tot we terugbellen. Zijn je documenten in orde, dan schrijf je je in dezelfde sessie in.
Toelatingseisen
- Profiel: een diploma in wiskunde, statistiek, informatica, natuurkunde of een verwant vakgebied, of erkende beroepservaring in data science, softwareontwikkeling of analyse van maritieme veiligheid.
- Taal: gevorderd technisch Engels wordt aanbevolen.
- Technische kennis: basisprogrammeren (bij voorkeur Python), statistiek en lineaire algebra.
- Documentatie: cv, kopie van uw diploma, cijferlijst indien van toepassing, identiteitsbewijs of paspoort, en een motivatiebrief.
- Technische vereisten voor online studie: een computer met camera en microfoon, een stabiele verbinding en toegang tot software voor data-analyse en machine learning (gratis of open-source alternatieven zijn beschikbaar).
- 01AanmeldingJe gegevens, achtergrond en documenten.
- 02Directe controleWe controleren of alles volledig en in orde is.
- 03InschrijvingKies voor betaling in één keer of in termijnen en reserveer je plek.
Start mijn aanmeldingVanaf 956 € aanbetaling
De toelating is voorlopig totdat de commissie de aangeleverde documenten heeft goedgekeurd. Voldoe je niet aan de eisen, dan krijg je het volledige bedrag terug.
Nog vragen?
Vraag het ons voordat je je inschrijft
Laat je gegevens achter en de afdeling toelating neemt per e-mail contact met je op om al je vragen te beantwoorden. Weet je het al zeker? Dan kun je je direct aanmelden en in dezelfde sessie betalen.