548-0083/04 – GeoComputation (GC)

Garantující katedraKatedra geoinformatikyKredity5
Garant předmětuprof. Ing. Jiří Horák, Dr.Garant verze předmětuprof. Ing. Jiří Horák, Dr.
Úroveň studiapregraduální nebo graduálníPovinnostpovinný
Ročník2Semestrzimní
Jazyk výukyčeština
Rok zavedení2021/2022Rok zrušení
Určeno pro fakultyHGFUrčeno pro typy studianavazující magisterské
Výuku zajišťuje
Os. čís.JménoCvičícíPřednášející
HOR10 prof. Ing. Jiří Horák, Dr.
JUR02 Ing. Lucie Orlíková, Ph.D.
Rozsah výuky pro formy studia
Forma studiaZp.zak.Rozsah
prezenční Zápočet a zkouška 2+2
kombinovaná Zápočet a zkouška 8+8

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:

BRAMER, M.A. Principles of data mining. Springer, London, 2020. LAMPART, M., HORÁK, J., IVAN, I.: Úvod do dynamických systémů: teorie a praxe v geoinformatice, Vysoká škola báňská – Technická univerzita Ostrava, 2013, ISBN 978-80-248-3185-5. KANEVSKI M. F., Poudnoukhov A., Timonin V. Machine learning for spatial environmental data. CRC Press 2009. 377 s., 978-0-8493-8237-6 VOŽENÍLEK, V, DVORSKÝ J., HÚSEK D. (ed.) Metody umělé inteligence v geoinformatice. Olomouc: Univerzita Palackého v Olomouci, 2011. ISBN 978-80-244-2945-8.

Doporučená literatura:

AWANGE, J.M., PALÁNCZ, B., LEWIS, R.H., VOLGYESI, L.. Mathematical geosciences. Springer Berlin Heidelberg, New York, NY, 2017. ČANDÍK, M., VČELAŘ, F., ZELINKA, I.: Fraktální geometrie - principy a aplikace, BEN-Technická literatura, 2006, ISBN 80-7300-191-8. KANEVSKI M. F. Advanced mapping of environmental data : geostatistics, machine learning and Bayesian maximum entropy. ISTE 2008. 313 s., 978-1-84821-060-8 ZAKI, M.J., MEIRA, W. Data mining and machine learning: fundamental concepts and algorithms. Cambridge University Press, Cambridge, United Kingdom, 2020; New York, NY.

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. 14) Stochastická prostorová simulace. Přístupy a metody.

Podmínky absolvování předmětu

Kombinovaná forma (platnost od: 2020/2021 zimní semestr)
Název úlohyTyp úlohyMax. počet bodů
(akt. za podúlohy)
Min. počet bodů
Zápočet a zkouška Zápočet a zkouška 100 (100) 51
        Zápočet Zápočet 33  17
        Zkouška Zkouška 67 (67) 18
                písemná zkouška Písemná zkouška 50  18
                ústní zkouška Ústní zkouška 17  0
Rozsah povinné účasti: Průběžná kontrola zpracovávaných úkolů ve cvičení. Písemná a ústní zkouška.

Zobrazit historii

Výskyt ve studijních plánech

Akademický rokProgramObor/spec.Spec.ZaměřeníFormaJazyk výuky Konz. stř.RočníkZLTyp povinnosti
2022/2023 (N0532A330039) Geoinformatika AGI P čeština Ostrava 2 povinný stu. plán
2022/2023 (N0532A330039) Geoinformatika AGI K čeština Ostrava 2 povinný stu. plán

Výskyt ve speciálních blocích

Název blokuAkademický rokForma studiaJazyk výuky RočníkZLTyp blokuVlastník bloku