155YUSU Úvod do strojového učení v DPZ: Porovnání verzí
mBez shrnutí editace |
značka: editace z Vizuálního editoru |
||
| Řádek 21: | Řádek 21: | ||
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) | 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, historický kontext, členění strojového učení [LB] | # 26.09. 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] | # 03.10. Lineární algebra v NumPy a Vizualizace dat v Matplotlib [OP/ML] | ||
# GeoPython (GDAL, Rasterio, GeoPandas) [OP/ML] | # 10.10. GeoPython (GDAL, Rasterio, GeoPandas) [OP/ML] | ||
# Základní algoritmy strojového učení (rozhodovací stromy, SVM, neuronové sítě) [OP] | # 17.10. Základní algoritmy strojového učení (rozhodovací stromy, SVM, neuronové sítě) [OP] | ||
# Algoritmy neřízené klasifikace (K-means, Mean shift, DBSCAN) [OP] | # 24.10. Algoritmy neřízené klasifikace (K-means, Mean shift, DBSCAN) [OP] | ||
# Generalizace modelu [OP] | # 31.10. Generalizace modelu [OP] | ||
# Demonstrace existujícího ML projektu (GridSearchCV, ST_LUCAS), zadání samostatného projektu [OP/LB] | # 07.11. 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] | # 14.11. Ansámbly ve strojovém učení (princip kombinace více modelů: random forest, extra trees) [OP] | ||
# Úvod do hlubokého učení (PyTorch / TensorFlow) [LB] | # 21.11. Úvod do hlubokého učení (PyTorch / TensorFlow) [LB] | ||
# Multilayer perceptron ANN (Regrese - MLP) [LB] | # 28.11. Multilayer perceptron ANN (Regrese - MLP) [LB] | ||
# Konvoluční neuronové sítě (Klasifikace - FCN, SegNet/UNet) [LB] | # 05.12. Konvoluční neuronové sítě (Klasifikace - FCN, SegNet/UNet) [LB] | ||
# Zpracování semestrálního projektu (základní pracovní postup) [LB] | # 12.12. Zpracování semestrálního projektu (základní pracovní postup) [LB] | ||
# Zpracování semestrálního projektu (ladění modelu strojového učení) [LB/ML] | # 19.12. Zpracování semestrálního projektu (ladění modelu strojového učení) [LB/ML] | ||
== Odkazy == | == Odkazy == | ||
{{Geoinformatika}} | {{Geoinformatika}} | ||
Verze z 23. 9. 2024, 15:39
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)
- 26.09. Úvod: aplikace strojového učení v geoinformatice a DPZ, historický kontext, členění strojového učení [LB]
- 03.10. Lineární algebra v NumPy a Vizualizace dat v Matplotlib [OP/ML]
- 10.10. GeoPython (GDAL, Rasterio, GeoPandas) [OP/ML]
- 17.10. Základní algoritmy strojového učení (rozhodovací stromy, SVM, neuronové sítě) [OP]
- 24.10. Algoritmy neřízené klasifikace (K-means, Mean shift, DBSCAN) [OP]
- 31.10. Generalizace modelu [OP]
- 07.11. Demonstrace existujícího ML projektu (GridSearchCV, ST_LUCAS), zadání samostatného projektu [OP/LB]
- 14.11. Ansámbly ve strojovém učení (princip kombinace více modelů: random forest, extra trees) [OP]
- 21.11. Úvod do hlubokého učení (PyTorch / TensorFlow) [LB]
- 28.11. Multilayer perceptron ANN (Regrese - MLP) [LB]
- 05.12. Konvoluční neuronové sítě (Klasifikace - FCN, SegNet/UNet) [LB]
- 12.12. Zpracování semestrálního projektu (základní pracovní postup) [LB]
- 19.12. Zpracování semestrálního projektu (ladění modelu strojového učení) [LB/ML]