155YUSU Úvod do strojového učení v DPZ: Porovnání verzí
značka: editace z Vizuálního editoru |
značka: editace z Vizuálního editoru |
||
| Řádek 20: | Řádek 20: | ||
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) | ||
Čtvrtek 8:00-9:40, 10:00-11:40 (B-870) | |||
# 26.09. Úvod: aplikace strojového učení v DPZ [LB/ML/OP] | # 26.09. Úvod: aplikace strojového učení v DPZ [LB/ML/OP] | ||
Verze z 23. 9. 2024, 16:06
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)
Čtvrtek 8:00-9:40, 10:00-11:40 (B-870)
- 26.09. Úvod: aplikace strojového učení v DPZ [LB/ML/OP]
- 03.10. Numerický Python, Pandas a lineární algebra [ML/OP]
- 10.10. GeoPython - GDAL, GeoPandas, Rasterio, ST_LUCAS [ML/OP]
- 17.10. Generalizace ML modelů a úvod do Scikit-learn [LB/OP]
- 24.10. Základní algoritmy strojového učení: stromy, Random Forest, SVM, neuronové sítě [OP]
- 31.10. Algoritmy neřízené klasifikace (K-means, Mean shift, DBSCAN) [OP]
- 07.11. Praktický příklad řešení ML projektu [OP]
- 14.11. Ansámbly ve strojovém učení: Random Forest, Extra Trees, XGBoost [OP]
- 21.11. Úvod do hlubokého učení: PyTorch [LB]
- 28.11. Hluboké učení 1 - multilayer perceptron [LB]
- 05.12. Hluboké učení 2 - konvoluční neuronové sítě (FCN, SegNet/UNet) [LB]
- 12.12. Zpracování semestrálního projektu (např. klasifikace Land Cover pomocí dat ST_LUCAS)
- 19.12. Prezentace semestrálního projektu [ML/OP/LB]