155YUSU Úvod do strojového učení v DPZ: Porovnání verzí

Z GeoWikiCZ
← Porovnání se starší verzíPorovnání s novější verzí →
VizuálníWikitext
Řádek 32: Řádek 32:
# 10.10. [https://geo.fsv.cvut.cz/vyuka/155yusu/03_geopython.html GeoPython - GeoPandas, Rasterio] [ML/OP]
# 10.10. [https://geo.fsv.cvut.cz/vyuka/155yusu/03_geopython.html GeoPython - GeoPandas, Rasterio] [ML/OP]
# 17.10. [https://geo.fsv.cvut.cz/vyuka/155yusu/04_sklearn_uvod.html Základní algoritmy strojového učení, úvod do Scikit-learn] [OP]
# 17.10. [https://geo.fsv.cvut.cz/vyuka/155yusu/04_sklearn_uvod.html Základní algoritmy strojového učení, úvod do Scikit-learn] [OP]
# 24.10. Generalizace ML modelů [LB]
# 24.10. [https://geo.fsv.cvut.cz/vyuka/155yusu/05_generalizace_modelu.html Generalizace ML modelů] [LB]
# 31.10. Algoritmy neřízené klasifikace (K-means, Mean shift, DBSCAN) [OP]
# 31.10. Algoritmy neřízené klasifikace (K-means, Mean shift, DBSCAN) [OP]
# 07.11. Praktický příklad řešení ML projektu [OP]
# 07.11. Praktický příklad řešení ML projektu [OP]

Verze z 23. 10. 2024, 20:59

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

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

  • Mohri, et al. (2012): Foundations of Machine Learning, MIT press.
  • Georn (2017): Hands-On Machine Learning with Scikit-Learn and TensorFlow
  • Wilmott, P. (2019): Machine Learning, An Applied Mathematics Introduction.
  • Ian Goodfellow and Yoshua Bengio and Aaron Courville (2016): Deep Learning Book.

Podmínky ukončení předmětu

Úspěšné zpracování a prezentace semestrálního projektu.

Harmonogram

Vyučující: Ing. Lukáš Brodský, Ph.D. (LB), Ing. Ondřej Pešek (OP), Ing. Martin Landa, Ph.D. (ML)

Čtvrtek 8:00-9:40, 10:00-11:40 (B-973)

  1. 26.09. Úvod: aplikace strojového učení v DPZ [LB/ML/OP]
  2. 03.10. Lineární algebra a numerický Python [ML/OP]
  3. 10.10. GeoPython - GeoPandas, Rasterio [ML/OP]
  4. 17.10. Základní algoritmy strojového učení, úvod do Scikit-learn [OP]
  5. 24.10. Generalizace ML modelů [LB]
  6. 31.10. Algoritmy neřízené klasifikace (K-means, Mean shift, DBSCAN) [OP]
  7. 07.11. Praktický příklad řešení ML projektu [OP]
  8. 14.11. Ansámbly ve strojovém učení: Random Forest, Extra Trees, XGBoost [OP]
  9. 21.11. Úvod do hlubokého učení: PyTorch [LB]
  10. 28.11. Hluboké učení 1 - multilayer perceptron [LB]
  11. 05.12. Hluboké učení 2 - konvoluční neuronové sítě (FCN, SegNet/UNet) [LB]
  12. 12.12. Zpracování semestrálního projektu (např. klasifikace Land Cover pomocí dat ST_LUCAS)
  13. 19.12. Prezentace semestrálního projektu [ML/OP/LB]

Odkazy

Citováno z „https://geo.fsv.cvut.cz/index.php?title=155YUSU_Úvod_do_strojového_učení_v_DPZ&oldid=42471“