155YUSU Úvod do strojového učení v DPZ: Porovnání verzí
(Základní údaje o předmětu) |
|||
| (Nejsou zobrazeny 2 mezilehlé verze od 2 dalších uživatelů.) | |||
| 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: | * Garant předmětu: {{Lidé|doc. Ing. Tomáš Bayer, Ph.D.}} | ||
* Přednášející: | * Přednášející: {{Lidé|doc. Ing. Tomáš Bayer, Ph.D.}}, Ing. Lukáš Brodský, Ph.D., {{Lidé|Ing. Martin Landa, Ph.D.}}, {{Lidé|Ing. Ondřej Pešek}} | ||
* Rozsah: 2+2 | * Rozsah: 2+2 | ||
* Počet kreditů: 5 | * Počet kreditů: 5 | ||
* Ukončení: z, zk | * Ukončení: z, zk | ||
== Anotace == | == Anotace == | ||
Aktuální verze z 10. 1. 2024, 08:26
Základní údaje o předmětu
- Aktuální a kompletní informace jsou na této stránce
- Kód předmětu: 155YUSU
- Garant předmětu:
- Přednášející:
doc. Ing. Tomáš Bayer, Ph.D., Ing. Lukáš Brodský, Ph.D., Ing. Martin Landa, Ph.D., Ing. Ondřej Pešek
- 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
- Úvod: aplikace strojového učení v geoinformatice a DPZ
- Základní koncept strojového učení
- Lineární algebra v NumPy
- Analýza dat v Pandas
- Vizualizace dat v Matplotlib a Seaborn
- GeoPython (GDAL, Rasterio, GeoPandas, vizualizace geodat)
- Základní algoritmy strojového učení (rozhodovací stromy, SVM, neuronové sítě)
- Algoritmy neřízené klasifikace
- Pokročilé techniky strojového učení (princip kombinace více modelů: random forest, extra trees a XGBoost)
- Umělé neuronové sítě
- Konvoluční neuronové sítě
- Zpracování semestrálního projektu (základní pracovní postup)
- Zpracování semestrálního projektu (ladění modelu strojového učení)