155YUSU Úvod do strojového učení v DPZ: Porovnání verzí

Z GeoWikiCZ
VizuálníWikitext
mBez shrnutí editace
mBez shrnutí editace
Řádek 17: Řádek 17:
== Harmonogram ==
== Harmonogram ==


Vyučující: [https://www.natur.cuni.cz/geografie/geoinformatika-kartografie/brodskl Ing. Lukáš Brodský, Ph.D.], {{lide|Ing. Martin Landa, PhD.}}, {{lide|Ing. Ondřej Pešek}}
Vyučující: [https://www.natur.cuni.cz/geografie/geoinformatika-kartografie/brodskl Ing. Lukáš Brodský, Ph.D.] (LB), {{lide|Ing. Ondřej Pešek}} (OP), {{lide|Ing. Martin Landa, PhD.}} (ML)


# Úvod: aplikace strojového učení v geoinformatice a DPZ
# Úvod: aplikace strojového učení v geoinformatice a DPZ, historický kontext, členění strojového učení [LB]
# Základní koncept strojového učení
# Lineární algebra v NumPy a Vizualizace dat v Matplotlib [OP/ML]
# Lineární algebra v NumPy
# GeoPython (GDAL, Rasterio, GeoPandas) [OP/ML]
# Analýza dat v Pandas
# Základní algoritmy strojového učení (rozhodovací stromy, SVM, neuronové sítě) [OP]
# Vizualizace dat v Matplotlib a Seaborn
# Algoritmy neřízené klasifikace (K-means, Mean shift, DBSCAN) [OP]
# GeoPython (GDAL, Rasterio, GeoPandas, vizualizace geodat)
# Generalizace modelu [OP]
# Základní algoritmy strojového učení (rozhodovací stromy, SVM, neuronové sítě)
# Demonstrace existujícího ML projektu (GridSearchCV, ST_LUCAS), zadání samostatného projektu [OP/LB] 
# Algoritmy neřízené klasifikace
# Ansámbly ve strojovém učení (princip kombinace více modelů: random forest, extra trees) [OP]
# Pokročilé techniky strojového učení (princip kombinace více modelů: random forest, extra trees a XGBoost)
# Úvod do hlubokého učení (PyTorch / TensorFlow) [LB] 
# Umělé neuronové sítě
# Multilayer perceptron ANN (Regrese - MLP) [LB]
# Konvoluční neuronové sítě
# Konvoluční neuronové sítě (Klasifikace - FCN, SegNet/UNet) [LB]
# Zpracování semestrálního projektu (základní pracovní postup)
# Zpracování semestrálního projektu (základní pracovní postup) [LB]
# Zpracování semestrálního projektu (ladění modelu strojového učení)
# Zpracování semestrálního projektu (ladění modelu strojového učení) [LB/ML]


== Odkazy ==
== Odkazy ==


{{Geoinformatika}}
{{Geoinformatika}}

Verze z 28. 6. 2024, 17:18


Chybějící informace o předmětu, které je nutné doplnit.
 


Základní údaje o předmětu

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

Ing. Martin Landa, Ph.D.

  • Přednášející: Ing. Lukáš Brodský, Ph.D.,

Ing. Ondřej Pešek, 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. (LB), Ing. Ondřej Pešek (OP), Ing. Martin Landa, PhD. (ML)

  1. Úvod: aplikace strojového učení v geoinformatice a DPZ, historický kontext, členění strojového učení [LB]
  2. Lineární algebra v NumPy a Vizualizace dat v Matplotlib [OP/ML]
  3. GeoPython (GDAL, Rasterio, GeoPandas) [OP/ML]
  4. Základní algoritmy strojového učení (rozhodovací stromy, SVM, neuronové sítě) [OP]
  5. Algoritmy neřízené klasifikace (K-means, Mean shift, DBSCAN) [OP]
  6. Generalizace modelu [OP]
  7. Demonstrace existujícího ML projektu (GridSearchCV, ST_LUCAS), zadání samostatného projektu [OP/LB]
  8. Ansámbly ve strojovém učení (princip kombinace více modelů: random forest, extra trees) [OP]
  9. Úvod do hlubokého učení (PyTorch / TensorFlow) [LB]
  10. Multilayer perceptron ANN (Regrese - MLP) [LB]
  11. Konvoluční neuronové sítě (Klasifikace - FCN, SegNet/UNet) [LB]
  12. Zpracování semestrálního projektu (základní pracovní postup) [LB]
  13. Zpracování semestrálního projektu (ladění modelu strojového učení) [LB/ML]

Odkazy

Citováno z „https://geo.fsv.cvut.cz/index.php?title=155YUSU_Úvod_do_strojového_učení_v_DPZ&oldid=42295“