548-0135/01 – Základy umělé inteligence v GIS (AIGIS)
| Garantující katedra | Katedra geoinformatiky | Kredity | 5 |
| Garant předmětu | Ing. Lucie Orlíková, Ph.D. | Garant verze předmětu | Ing. Lucie Orlíková, Ph.D. |
| Úroveň studia | pregraduální nebo graduální | Povinnost | povinný |
| Ročník | 3 | Semestr | letní |
| | Jazyk výuky | čeština |
| Rok zavedení | 2021/2022 | Rok zrušení | |
| Určeno pro fakulty | HGF | Určeno pro typy studia | bakalářské |
Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi
Student prokazuje znalosti:
- základních pojmů z oblasti statistiky a geostatistiky
- základních pojmů z oblasti neuronových sítí
- základy programování v jazyce Python
- prostorových exploračních analýz dat
- základy práce s programem R
Student umí:
- rozhodnout se o aplikaci vybraných metod umělé inteligence a jejich využití pro predikci
- aplikovat představené metody zpracování dat
- interpretovat dosažené výsledky
Student je schopen:
- samostatně se orientovat v problematice neuronových sítí
- kriticky interpretovat cizí řešení založená na neuronových sítích
- vysvětlit problémy oblasti neuronových sítí
- vybrat pro danou problematiku vhodnou metodu
Vyučovací metody
Přednášky
Cvičení (v učebně)
Anotace
Cílem předmětu je seznámit studenta se základy teorie neuronových sítí. Důraz je kladen nejen na základní teorii, ale především na schopnost ji aplikovat při řešení příkladů. Rovněž studenti rozšíří své znalosti z oblasti statistiky a prostorových analýz.
Povinná literatura:
Doporučená literatura:
Další studijní materiály
Forma způsobu ověření studijních výsledků a další požadavky na studenta
Získané znalosti studentů jsou průběžně ověřovány v průběhu jednotlivých hodin na cvičeních.
Studenti také pracují na samostatných projektech, které prokazují získané znalosti. Písemná a ústní zkouška.
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. Úvod, témata a vymezení UI, pohled do historie, úspěšné aplikace v geoinformatice.
2. Explorační analýza datového souboru, opakování statistického úvodu.
3. Základy strojového učení: klasifikace a regrese, shluková analýza, učení s učitelem a bez učitele, ilustrační příklady.
4. Rozhodovací stromy: učení rozhodovacích stromů.
5. Logika a strojové učení: specializace, generalizace, logický důsledek.
6. Ověřování výsledků učení: učící a testovací množina, přeučení, křížová validace, matice zmatenosti, učící křivka.
7. Lineární regrese (klasifikace), metoda nejmenších čtverců.
8. Kernelové metody: metody strojového učení, kernelová transformace.
9. Neuronové sítě: vícevrstvá síť, zpětná propagace.
10. Shluková analýza: algoritmus nejbližších sousedů, hierarchické shlukování.
11. Praktické strojové učení. Předzpracování dat: výběr atributů, konstrukce nových atributů, metody vzorkování.
12. Praktické strojové učení. Verifikace a validace výsledků.
13. Pravděpodobnostní model: Bayesovo pravidlo, úvod do Bayesovských sítí.
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky