155YUSU Úvod do strojového učení v DPZ: Porovnání verzí

Z GeoWikiCZ
← Porovnání se starší verzíPorovnání s novější verzí →
VizuálníWikitext
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)


# 26.09. Úvod: aplikace strojového učení v geoinformatice a DPZ, historický kontext, členění strojového učení [LB]
# 26.09. Úvod: aplikace strojového učení v DPZ [LB/ML/OP]
# 03.10. Lineární algebra v NumPy a Vizualizace dat v Matplotlib [OP/ML]
# 03.10. Numerický Python a lineární algebra [ML/OP]
# 10.10. GeoPython (GDAL, Rasterio, GeoPandas) [OP/ML]
# 10.10. GeoPython - GDAL, GeoPandas, Rasterio, ST_LUCAS [ML/OP]
# 17.10. Základní algoritmy strojového učení (rozhodovací stromy, SVM, neuronové sítě) [OP]
# 17.10. Generalizace ML modelů a úvod do Scikit-learn [LB/OP]  
# 24.10. Algoritmy neřízené klasifikace (K-means, Mean shift, DBSCAN) [OP]
# 24.10. Základní algoritmy strojového učení: stromy, Random Forest, SVM, neuronové sítě [OP]
# 31.10. Generalizace modelu [OP]
# 31.10. Algoritmy neřízené klasifikace (K-means, Mean shift, DBSCAN) [OP]
# 07.11. Demonstrace existujícího ML projektu (GridSearchCV, ST_LUCAS), zadání samostatného projektu [OP/LB]
# 07.11. Praktický příklad řešení ML projektu [OP]
# 14.11. Ansámbly ve strojovém učení (princip kombinace více modelů: random forest, extra trees)  [OP]
# 14.11. Ansámbly ve strojovém učení: Random Forest, Extra Trees, XGBoost [OP]
# 21.11. Úvod do hlubokého učení (PyTorch / TensorFlow) [LB]
# 21.11. Úvod do hlubokého učení: PyTorch [LB]
# 28.11. Multilayer perceptron ANN (Regrese - MLP) [LB]
# 28.11. Hluboké učení 1 - multilayer perceptron [LB]
# 05.12. Konvoluční neuronové sítě (Klasifikace - FCN, SegNet/UNet) [LB]
# 05.12. Hluboké učení 2 - konvoluční neuronové sítě (FCN, SegNet/UNet) [LB]
# 12.12. Zpracování semestrálního projektu (základní pracovní postup) [LB]
# 12.12. Zpracování semestrálního projektu (např. klasifikace Land Cover pomocí dat ST_LUCAS)
# 19.12. Zpracování semestrálního projektu (ladění modelu strojového učení) [LB/ML]
# 19.12. Prezentace semestrálního projektu [ML/OP/LB]


== Odkazy ==
== Odkazy ==


{{Geoinformatika}}
{{Geoinformatika}}

Verze z 23. 9. 2024, 16:03

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

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)

  1. 26.09. Úvod: aplikace strojového učení v DPZ [LB/ML/OP]
  2. 03.10. Numerický Python a lineární algebra [ML/OP]
  3. 10.10. GeoPython - GDAL, GeoPandas, Rasterio, ST_LUCAS [ML/OP]
  4. 17.10. Generalizace ML modelů a úvod do Scikit-learn [LB/OP]
  5. 24.10. Základní algoritmy strojového učení: stromy, Random Forest, SVM, neuronové sítě [OP]
  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 „http://geo102.fsv.cvut.cz:8091/index.php?title=155YUSU_Úvod_do_strojového_učení_v_DPZ&oldid=42366“