155YUSU Úvod do strojového učení v DPZ: Porovnání verzí
Základní údaje o předmětu |
|||
| Řádek 1: | Řádek 1: | ||
{{Neúplné}} | {{Neúplné}} | ||
== Základní údaje o předmětu== | |||
* '''Aktuální a kompletní informace jsou na této stránce''' | |||
* Kód předmětu: 155YUSU | |||
* Garant předmětu: [[doc. Ing. Tomáš Bayer, Ph.D.|doc. Ing. Tomáš Bayer, Ph.D.]] | |||
* Přednášející: [[doc. Ing. Tomáš Bayer, Ph.D.|doc. Ing. Tomáš Bayer, Ph.D.]], [[Ing. Martin Landa, Ph.D.|Ing. Martin Landa, Ph.D.]] | |||
* Rozsah: 2+2 | |||
* Počet kreditů: 5 | |||
* Ukončení: z, zk | |||
== Anotace == | == Anotace == | ||
Verze z 27. 9. 2023, 14:43
Základní údaje o předmětu
- Aktuální a kompletní informace jsou na této stránce
- Kód předmětu: 155YUSU
- Garant předmětu: doc. Ing. Tomáš Bayer, Ph.D.
- Přednášející: doc. Ing. Tomáš Bayer, Ph.D., 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., 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)