Sylabus
- Principy strojového učení; Prakticky: seznámení se systémem GIS.lab
- Přehled a zhodnocení algoritmů strojového učení; Prakticky: příklady algoritmů v modulu scikit-learn;
- Metody ansámblů; Prakticky: boosting, bagging a gradient boosting;
- Kontrola kvality; Prakticky: výpočet indikátorů kvality modelu;
- Mělké a hluboké učení; Prakticky: tvorba modelu v Keras/Tensorflow;
- Tvorba procesních postupů; Prakticky: příprava procesní linky v Python pro řešení projektů;
- Aplikace strojového učení v geovědách; Prakticky: samostatné řešení zadaných projektů aplikace strojového učení;
Anotace
Metody strojového učení jsou v poslední době nedílnou součástí průzkum a analýzy dat, včetně geografických dat. Cílem předmětu je získání přehledu principů strojového učení, kritické zhodnocení používaných algoritmů, praktický návrh procesních linek, kontrola kvality a interpretace získaných výsledků.
Analýzy dat budou aplikovány na prostorová a časo-prostorová geografická data. Studenti v předmětu samostatně pracují na zadaných projektech aplikace strojového učení. V těchto projektech vytvářejí vlastní skripty v jazyce Python s využitím získaných znalostí a kriticky hodnotí výsledky.
Dobrá znalost jayzka Python je podmínka nutná pro úspěšné absolvování předmětu.