548-0083/04 – GeoComputation (GC)
| Garantující katedra | Katedra geoinformatiky | Kredity | 5 |
| Garant předmětu | prof. Ing. Jiří Horák, Dr. | Garant verze předmětu | prof. Ing. Jiří Horák, Dr. |
| Úroveň studia | pregraduální nebo graduální | Povinnost | povinný |
| Ročník | 2 | Semestr | zimní |
| | Jazyk výuky | čeština |
| Rok zavedení | 2021/2022 | Rok zrušení | |
| Určeno pro fakulty | HGF | Určeno pro typy studia | navazující magisterské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Cílem předmětu je naučit studenty využívat základní metody umělé inteligence zejména strojového učení jako jsou klasifikační a rozhodovací stromy, metoda podpůrrných vektorů a neuronové sítě v geoinformatice, seznámit je s principy a metodami data miningu, teorií chaosu a fraktály a vybranými metodami stochastické prostorové simulace.
Vyučovací metody
Přednášky
Cvičení (v učebně)
Anotace
Předmět vysvětluje základní přístupy a metody umělé inteligence, zejména metody strojového učení a zaměřuje se na jejich využití v geoinformatice, kde se hodnotí prostorové vlastnosti, upravuje se prostorové vzorkování, provádí se transformace dat. Vysvětlují se klasifikační metody jako jsou Bayesovské klasifikátory, klasifikační a rozhodovací stromy, metoda podpůrrných vektorů. Varianty pro regresní analýzy. Neuronové sítě, včetně pokročilejších metod jako je hluboké učení a konvoluční neuronové sítě. Další část seznamuje s problematikou a metodami data miningu, odvozování vzorů, sekvencí a asociačních pravidel, základní techniky text miningu a shlukovacích metod. Úvod do teorie chaosu a fraktálů, využití v geoinformatice. Stochastická prostorová simulace.
Povinná literatura:
Doporučená literatura:
Forma způsobu ověření studijních výsledků a další požadavky na studenta
Získané znalosti studentů jsou průběžně ověřovány v průběhu jednotlivých hodin. Studenti pracují na samostatných úkolech, které prokazují získané znalosti. Jednotlivé úlohy zpravidla vyžadují porozumění předchozím, jednodušším úlohám. Na závěr student musí absolvovat písemnou a ústní zkoušku.
E-learning
Další požadavky na studenta
Žádné další požadavky na studenta nejsou kladeny.
Prerekvizity
Předmět nemá žádné prerekvizity.
Korekvizity
Předmět nemá žádné korekvizity.
Osnova předmětu
1) Umělá inteligence, základní přístupy, metody.
2) Strojové učení, základní koncepty, učení s učitelem, učení bez učitele, zpětnovazební učení, hybridní metody. Přehled úloh strojového učení. Komplexnost modelů, ztrátová funkce, dimenzionalita.
3) Prostorové aspekty – prostorová kontinuita, stacionarita, prostorové vzorkování, bootstrapping. Příprava analýzy – analýza vzorkovací sítě, Morisita diagram, transformace dat.
4) Úvod do klasifikace. Naivní Bayesovská klasifikace. Algoritmus k-nejbližších sousedů
5) Klasifikační a rozhodovací stromy. Výběry atributů pomocí entropie, tabulek četností a Giniho indexu. Hodnocení úspěšnosti klasifikace.
6) Metoda podpůrrných vektorů, regrese se SVM (SVR).
7) Neuronové sítě, vícevrstvý perceptron, regresní neuronové sítě, pravděpodobnostní neuronové sítě, Kohonenovy mapy, radiální funkce, hluboké učení, konvoluční neuronové sítě.
8) Data mining, data science. Metodologie data miningu. Dobývání vzorů, sekvence. Získávání asociačních pravidel.
9) Text mining. Předzpracování textu. Informační zisk. Normalizace vah.
10) Shluková analýza, hierarchické a nehierarchické shlukování, asociační pravidla, hustotní shluky.
11) Úvod do teorie chaosu a fraktálů. Dynamika modelů a základy dynamiky. Detekce chaosu v geografii.
12) Fraktály. Fraktální dimenze a její výpočet pomocí vybraných algoritmů. Aplikace v geoinformatice.
13) Úvod do genetického programování. Rojová inteligence.
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky