155YUSU Úvod do strojového učení v DPZ: Porovnání verzí

Z GeoWikiCZ
(Základní údaje o předmětu)
mBez shrnutí editace
Řádek 3: Řádek 3:
* '''Aktuální a kompletní informace jsou na této stránce'''
* '''Aktuální a kompletní informace jsou na této stránce'''
* Kód předmětu: 155YUSU
* Kód předmětu: 155YUSU
* Garant předmětu: [[doc. Ing. Tomáš Bayer, Ph.D.|doc. Ing. Tomáš Bayer, Ph.D.]]
* Garant předmětu: {{Lidé|doc. Ing. Tomáš Bayer, Ph.D.}}
* Přednášející: [[doc. Ing. Tomáš Bayer, Ph.D.|doc. Ing. Tomáš Bayer, Ph.D.]], [[Ing. Martin Landa, Ph.D.|Ing. Martin Landa, Ph.D.]]
* Přednášející: {{Lidé|doc. Ing. Tomáš Bayer, Ph.D.}}, {{Lidé|Ing. Martin Landa, Ph.D.}}
* Rozsah: 2+2
* Rozsah: 2+2
* Počet kreditů: 5
* Počet kreditů: 5

Verze z 6. 10. 2023, 22:30

Základní údaje o předmětu

  • Aktuální a kompletní informace jsou na této stránce
  • Kód předmětu: 155YUSU
  • Garant předmětu:

doc. Ing. Tomáš Bayer, Ph.D.

  • Přednášející:

doc. Ing. Tomáš Bayer, Ph.D., Ing. Martin Landa, Ph.D.

  • Rozsah: 2+2
  • Počet kreditů: 5
  • Ukončení: z, zk


Anotace

Doporučená literatura

Podmínky ukončení předmětu

Harmonogram

Vyučující: Ing. Lukáš Brodský, Ph.D., Ing. Martin Landa, PhD., Ing. Ondřej Pešek

  1. Úvod: aplikace strojového učení v geoinformatice a DPZ
  2. Základní koncept strojového učení
  3. Lineární algebra v NumPy
  4. Analýza dat v Pandas
  5. Vizualizace dat v Matplotlib a Seaborn
  6. GeoPython (GDAL, Rasterio, GeoPandas, vizualizace geodat)
  7. Základní algoritmy strojového učení (rozhodovací stromy, SVM, neuronové sítě)
  8. Algoritmy neřízené klasifikace
  9. Pokročilé techniky strojového učení (princip kombinace více modelů: random forest, extra trees a XGBoost)
  10. Umělé neuronové sítě
  11. Konvoluční neuronové sítě
  12. Zpracování semestrálního projektu (základní pracovní postup)
  13. Zpracování semestrálního projektu (ladění modelu strojového učení)

Odkazy