155YUSU Úvod do strojového učení v DPZ: Porovnání verzí
mBez shrnutí editace značka: přepnuto z Vizuálního editoru |
m (→Harmonogram) |
||
| Řádek 17: | Řádek 17: | ||
== Harmonogram == | == Harmonogram == | ||
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, | 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, Ph.D.}} (ML) | ||
# Úvod: aplikace strojového učení v geoinformatice a DPZ, historický kontext, členění strojového učení [LB] | # Úvod: aplikace strojového učení v geoinformatice a DPZ, historický kontext, členění strojového učení [LB] | ||
| Řádek 31: | Řádek 31: | ||
# Konvoluční neuronové sítě (Klasifikace - FCN, SegNet/UNet) [LB] | # Konvoluční neuronové sítě (Klasifikace - FCN, SegNet/UNet) [LB] | ||
# Zpracování semestrálního projektu (základní pracovní postup) [LB] | # Zpracování semestrálního projektu (základní pracovní postup) [LB] | ||
# Zpracování semestrálního projektu (ladění modelu strojového učení) [LB/ML] | # Zpracování semestrálního projektu (ladění modelu strojového učení) [LB/ML] | ||
== Odkazy == | == Odkazy == | ||
{{Geoinformatika}} | {{Geoinformatika}} | ||
Verze z 28. 6. 2024, 17:19
Základní údaje o předmětu
- Aktuální a kompletní informace jsou na této stránce
- Kód předmětu: 155YUSU
- Garant předmětu:
- 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, Ph.D. (ML)
- Úvod: aplikace strojového učení v geoinformatice a DPZ, historický kontext, členění strojového učení [LB]
- Lineární algebra v NumPy a Vizualizace dat v Matplotlib [OP/ML]
- GeoPython (GDAL, Rasterio, GeoPandas) [OP/ML]
- Základní algoritmy strojového učení (rozhodovací stromy, SVM, neuronové sítě) [OP]
- Algoritmy neřízené klasifikace (K-means, Mean shift, DBSCAN) [OP]
- Generalizace modelu [OP]
- Demonstrace existujícího ML projektu (GridSearchCV, ST_LUCAS), zadání samostatného projektu [OP/LB]
- Ansámbly ve strojovém učení (princip kombinace více modelů: random forest, extra trees) [OP]
- Úvod do hlubokého učení (PyTorch / TensorFlow) [LB]
- Multilayer perceptron ANN (Regrese - MLP) [LB]
- Konvoluční neuronové sítě (Klasifikace - FCN, SegNet/UNet) [LB]
- Zpracování semestrálního projektu (základní pracovní postup) [LB]
- Zpracování semestrálního projektu (ladění modelu strojového učení) [LB/ML]