548-0135/01 – Základy umělé inteligence v GIS (AIGIS)

Garantující katedraKatedra geoinformatikyKredity5
Garant předmětuIng. Lucie Orlíková, Ph.D.Garant verze předmětuIng. Lucie Orlíková, Ph.D.
Úroveň studiapregraduální nebo graduálníPovinnostpovinný
Ročník3Semestrletní
Jazyk výukyčeština
Rok zavedení2021/2022Rok zrušení
Určeno pro fakultyHGFUrčeno pro typy studiabakalářské
Výuku zajišťuje
Os. čís.JménoCvičícíPřednášející
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

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:

VONDRÁK, Ivo. Umělá inteligence a neuronové sítě: Určeno pro posl. 4. roč. FEI. Ostrava: VŠB-Technická univerzita, 1994. ISBN 80-7078-259-5. VOŽENÍLEK, Vít, Jiří DVORSKÝ a Dušan HÚSEK, ed. Metody umělé inteligence v geoinformatice. Olomouc: Univerzita Palackého v Olomouci, 2011. ISBN 978-80-244-2945-8. MAŘÍK, Vladimír, Olga ŠTĚPÁNKOVÁ a Jiří LAŽANSKÝ. Umělá inteligence. Praha: Academia, 1993-. ISBN 80-200-0472-6.

Doporučená literatura:

CHOLLET, François. Deep learning v jazyku Python: knihovny Keras, Tensorflow. Přeložil Rudolf PECINOVSKÝ. Praha: Grada Publishing, 2019. Knihovna programátora (Grada). ISBN 978-80-247-3100-1. JEŽEK, Josef. Geostatistika a prostorová interpolace. V Praze: Univerzita Karlova, nakladatelství Karolinum, 2015. ISBN 978-80-246-3076-2. ŘEZANKOVÁ, Hana, Tomáš LÖSTER a Zdeněk ŠULC. Úvod do statistiky. Vydání 2. přepracované. Praha: Oeconomica, nakladatelství VŠE, 2019. ISBN 978-80-245-2301-9.

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. 14. Ukázka pokročilejších metod strojového učení.

Podmínky absolvování předmětu

Prezenční forma (platnost od: 2021/2022 zimní semestr)
Název úlohyTyp úlohyMax. počet bodů
(akt. za podúlohy)
Min. počet bodůMax. počet pokusů
Zápočet a zkouška Zápočet a zkouška 100 (100) 51
        Zápočet Zápočet 33  17
        Zkouška Zkouška 67 (67) 18 3
                Písemná část zkoušky Písemná zkouška 52  18
                Ústní část zkoušky Ústní zkouška 15  0
Rozsah povinné účasti: Přednášky nepovinné, cvičení 80%

Zobrazit historii

Podmínky absolvování předmětu a účast na cvičeních v rámci ISP: Přednášky formou samostudia materiálů k předmětu dostupných na http://geoscience.vsb.cz/. Možnost osobní či on-line konzultace. Účast na cvičeních dle možností studenta. Pro získání zápočtu nutnost vypracovat zápočtový projekt zadaný cvičícím nejpozději do konce zkouškového období daného semestru. Zkoušku je nutné vykonat osobně.

Zobrazit historii

Výskyt ve studijních plánech

Akademický rokProgramObor/spec.Spec.ZaměřeníFormaJazyk výuky Konz. stř.RočníkZLTyp povinnosti
2022/2023 (B0532A330034) Geoinformatika P čeština Ostrava 3 povinný stu. plán
2022/2023 (B0532A330034) Geoinformatika K čeština Ostrava 3 povinný stu. plán
2021/2022 (B0532A330034) Geoinformatika K čeština Ostrava 3 povinný stu. plán
2021/2022 (B0532A330034) Geoinformatika P čeština Ostrava 3 povinný stu. plán

Výskyt ve speciálních blocích

Název blokuAkademický rokForma studiaJazyk výuky RočníkZLTyp blokuVlastník bloku

Hodnocení Výuky

Předmět neobsahuje žádné hodnocení.