155YUSU Úvod do strojového učení v DPZ: Porovnání verzí
mBez shrnutí editace |
|||
(Není zobrazeno 5 mezilehlých verzí od stejného uživatele.) | |||
Řádek 1: | Řádek 1: | ||
== Základní údaje o předmětu== | == Základní údaje o předmětu== | ||
* '''Aktuální a kompletní informace jsou na této stránce''' | * '''Aktuální a kompletní informace jsou na této stránce''' | ||
* Kód předmětu: 155YUSU | * Kód předmětu: 155YUSU | ||
* Garant předmětu: {{Lidé| | * Garant předmětu: {{Lidé|Ing. Martin Landa, Ph.D.}} | ||
* Přednášející: | * Přednášející: Ing. Lukáš Brodský, Ph.D., {{Lidé|Ing. Ondřej Pešek}}, {{Lidé|Ing. Martin Landa, Ph.D.}} | ||
* Rozsah: 2+2 | * Rozsah: 2+2 | ||
* Počet kreditů: 5 | * Počet kreditů: 5 | ||
Řádek 10: | Řádek 9: | ||
== Anotace == | == Anotace == | ||
Strojové učení tvoří v dnešní době nedílnou součást analýzy dat a prediktivního modelování v mnoha oborech včetně dálkového průzkumu Země. Cílem předmětu je získání základních znalostí o algoritmech strojového učení a principech generalizace modelů a praktický návrh procesních linek. Studenti v předmětu samostatně pracují na zadaných příkladech aplikace strojového učení s využití dat DPZ. Podmínkou nutnou ke splnění předmětu je správná generalizace trénovaného modelu, včetně teoretického hodnocení přeučení (overfitting) a nedoučení (underfitting). V projektech studenti vytvářejí vlastní skripty v jazyce Python a kriticky hodnotí výsledky. | |||
=== Doporučená literatura === | === Doporučená literatura === | ||
== Podmínky ukončení předmětu == | == Podmínky ukončení předmětu == | ||
Uspěšné zpracování semestrálního projektu. | |||
== Harmonogram == | == Harmonogram == | ||
Vyučující: [https://www.natur.cuni.cz/geografie/geoinformatika-kartografie/brodskl Ing. Lukáš Brodský, Ph.D.], {{lide|Ing. | 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 | # 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] | |||
# Lineární algebra v NumPy | # 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] | |||
# GeoPython (GDAL, Rasterio, GeoPandas | # 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] | ||
# | # Úvod do hlubokého učení (PyTorch / TensorFlow) [LB] | ||
# | # 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}} |
Aktuální verze z 28. 6. 2024, 17:20
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
Strojové učení tvoří v dnešní době nedílnou součást analýzy dat a prediktivního modelování v mnoha oborech včetně dálkového průzkumu Země. Cílem předmětu je získání základních znalostí o algoritmech strojového učení a principech generalizace modelů a praktický návrh procesních linek. Studenti v předmětu samostatně pracují na zadaných příkladech aplikace strojového učení s využití dat DPZ. Podmínkou nutnou ke splnění předmětu je správná generalizace trénovaného modelu, včetně teoretického hodnocení přeučení (overfitting) a nedoučení (underfitting). V projektech studenti vytvářejí vlastní skripty v jazyce Python a kriticky hodnotí výsledky.
Doporučená literatura
Podmínky ukončení předmětu
Uspěšné zpracování semestrálního projektu.
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]