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 praktických úloh. Student se naučí principy fungování neuronových sítí, jejich architekturu a možnosti využití v různých oblastech. Bude umět používat základní metody a algoritmy strojového učení, analyzovat a interpretovat výsledky modelů a pracovat s vybranými softwarovými nástroji pro implementaci neuronových sítí. Rovněž si rozšíří znalosti z oblasti statistiky a prostorových analýz, které jsou nezbytné pro efektivní práci s daty v rámci umělé inteligence.
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
https://geoscience.vsb.cz/
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 do umělé inteligence (AI): vymezení pojmů, pohled do historie, úspěšné aplikace v geoinformatice.
2. Explorační analýza datového souboru: opakování statistického základu a jeho význam pro strojové učení.
3. Základy strojového učení (Machine Learning, ML): klasifikace a regrese, shluková analýza, učení s učitelem a bez učitele, ilustrační příklady.
4. Rozhodovací stromy v AI a ML: principy učení rozhodovacích stromů a jejich využití v prediktivní analýze.
5. Logika a strojové učení: specializace, generalizace, logický důsledek v rámci AI.
6. Ověřování výsledků strojového učení: učící a testovací množina, přeučení (overfitting), křížová validace, matice zmatenosti, učící křivka.
7. Lineární regrese v ML: metoda nejmenších čtverců a její využití v klasifikaci a predikci.
8. Kernelové metody v ML: principy kernelové transformace a jejich aplikace ve strojovém učení.
9. Neuronové sítě v AI: vícevrstvá neuronová síť, princip zpětné propagace a deep learning.
10. Shluková analýza v ML: algoritmus nejbližších sousedů, hierarchické shlukování a jejich využití v geoinformatice.
11. Praktické strojové učení: předzpracování dat, výběr a konstrukce atributů, metody vzorkování.
12. Verifikace a validace výsledků ML modelů: hodnocení přesnosti a spolehlivosti prediktivních modelů.
13. Moderní umělá inteligence a její využití: jazykové modely jako ChatGPT a jejich aplikace, generativní AI, automatizace úloh v geoinformatice a dalších vědních oborech, etické aspekty AI.
Podmínky absolvování předmětu
Výskyt ve studijních plánech
Výskyt ve speciálních blocích
Hodnocení Výuky