Přeskočit obsah
155YUSU
7. Sborové učení, ansámbly
155YUSU
155YUSU Úvod do strojového učení v DPZ
01: Úvod, historický kontext, členění strojového učení
01: Úvod, historický kontext, členění strojového učení
1.1 Lineární algebra
1.2 Předzpracování dat -- lineární algebra v NumPy, vizualizace v Matplotlib
1.3 Předzpracování dat -- knihovna Pandas
02. Předzpracování geodat (GeoPython)
02. Předzpracování geodat (GeoPython)
2.1 GeoPython - Praktická ukázka
2.2 GeoPython - Praktická úloha (LUCAS, Sentinel-2)
03. Základní algoritmy strojového učení, úvod do scikit-learn
03. Základní algoritmy strojového učení, úvod do scikit-learn
3.1 Úvod do scikit-learn
04. Generalizace ML modelu
04. Generalizace ML modelu
04. Generalizace polynomického modelu
04. Generalizace rozhodovacího stromu (Decision Tree)
05. Učení bez učitele
05. Učení bez učitele
5.1 Učení bez učitele - cvičení
06. Návrh a řešení projektu ML
06. Návrh a řešení projektu ML
6. Návrh a řešení projektu ML
07. Sborové učení, ansámbly
07. Sborové učení, ansámbly
7.1 Sborové učení, ansámbly - cvičení
08. Úvod do hlubokého učení, PyTorch
08. Úvod do hlubokého učení, PyTorch
8.1 PyTorch - framework pro hluboké učení
8.2 Lineární regrese v PyTorch
09. MultiLayer Perceptron model (regrese, klasifikace)
09. MultiLayer Perceptron model (regrese, klasifikace)
9.1 Multilayer Layer Perceptron (MLP)
9.2 MultiLayer Perceptron (MLP) klasifikace snímku Landsat
10. Konvolucní neuronové síte - CNN (klasifikace, segmentace)
10. Konvolucní neuronové síte - CNN (klasifikace, segmentace)
10.1 Hluboké učení - Konvoluční neuronové sítě - klasifikace
10.2 Hluboké učení - Konvoluční neuronové sítě - segmentace
11. TBD
11. TBD
12. Projekt (šablona)
12. Projekt (šablona)
12.1 Land Cover klasifikace s využitím Sentinel-2 a ST_LUCAS
Obsah
Přednáška
Cvičení
7. Sborové učení, ansámbly
¶
Přednáška
¶
PDF
Cvičení
¶
Sborové učení, ansámbly - scikit-learn