548-0953/01 – GeoComputation (GCC)

Garantující katedraKatedra geoinformatikyKredity10
Garant předmětuprof. Ing. Igor Ivan, Ph.D.Garant verze předmětuprof. Ing. Igor Ivan, Ph.D.
Úroveň studiapostgraduálníPovinnostpovinně volitelný typu B
RočníkSemestrzimní + letní
Jazyk výukyčeština
Rok zavedení2021/2022Rok zrušení
Určeno pro fakultyHGFUrčeno pro typy studiadoktorské
Výuku zajišťuje
Os. čís.JménoCvičícíPřednášející
HOR10 prof. Ing. Jiří Horák, Dr.
IVA026 prof. Ing. Igor Ivan, Ph.D.
Rozsah výuky pro formy studia
Forma studiaZp.zak.Rozsah
prezenční Zkouška 20+0
kombinovaná Zkouška 20+0

Cíle předmětu vyjádřené dosaženými dovednostmi a kompetencemi

Cílem předmětu je prohloubit znalosti studentů v oblasti aplikace umělé inteligence pro prostorové úlohy, regresních metod, data miningu a dynamiky prostorových procesů a zvýšit jejich schopnosti praktického uplatnění metod geocomputation v případových studiích blízkých zaměření tématu disertační práce.

Vyučovací metody

Přednášky
Individuální konzultace
Ostatní aktivity

Anotace

Předmět je zaměřen na prohloubení znalostí v oblasti využití metod umělé inteligence a zejména strojového učení v geoinformatice, využití prostorových vlastností, vysvětluje klasifikační metody založené na strojovém učení, regresní metody využívající strojové učení, pokročilé metody u neuronových sítí jako je hluboké učení a konvoluční neuronové sítě, diskriminační analýza, SOM, Bayesovské sítě, logistická regrese, symbolická regrese, kvantilové regrese, robustní regrese, metody data miningu, včetně text miningu a zpracování z proudů dat, dynamika modelů a základy dynamiky, chaos (tranzitivita), detekce chaosu v geografii, fraktály, fraktální dimenze a její výpočet pomocí vybraných algoritmů, fraktálové shlukování, soběpodobné fraktály a multifraktály.

Povinná literatura:

VOŽENÍLEK, V, DVORSKÝ J., HÚSEK D. (ed.) Metody umělé inteligence v geoinformatice. Olomouc: Univerzita Palackého v Olomouci, 2011. ISBN 978-80-244-2945-8. 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 BRAMER, M.A. Principles of data mining. Springer, London, 2020.

Doporučená literatura:

ČANDÍK, M., VČELAŘ, F., ZELINKA, I.: Fraktální geometrie - principy a aplikace, BEN-Technická literatura, 2006, ISBN 80-7300-191-8. 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. BRUNTON, S.L., KUTZ, J.N. Data-driven science and engineering: machine learning, dynamical systems, and control. Cambridge University Press, Cambridge, 2019. ZAKI, M.J., MEIRA, W. Data mining and machine learning: fundamental concepts and algorithms. Cambridge University Press, Cambridge, United Kingdom, 2020; New York, NY.

Další studijní materiály

Forma způsobu ověření studijních výsledků a další požadavky na studenta

Účast na konzultacích, seminární práce, 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

Umělá inteligence, základní přístupy, metody. Strojové učení. Přehled úloh strojového učení. Komplexnost modelů, ztrátová funkce, dimenzionalita. Prostorové aspekty – prostorová kontinuita, stacionarita, prostorové vzorkování, bootstrapping. Úvod do klasifikace. Naivní Bayesovská klasifikace. Algoritmus k-nejbližších sousedů Klasifikační a rozhodovací stromy. Výběry atributů pomocí entropie, tabulek četností a Giniho indexu. Hodnocení úspěšnosti klasifikace. Metoda podpůrrných vektorů, regrese se SVM (SVR). Diskriminační analýza Neuronové sítě, vícevrstvý perceptron, regresní neuronové sítě, pravděpodobnostní neuronové sítě, Kohonenovy mapy, radiální funkce, hluboké učení, konvoluční neuronové sítě. Bayesovské sítě. Bagging, boosting, stacking. Ladění modelů (tuning), validace modelů. Data mining, data science. Metodologie data miningu. Dobývání vzorů, sekvence. Získávání asociačních pravidel. Text mining. Předzpracování textu. Informační zisk. Normalizace vah. Logistická regrese. Symbolická regrese. Kvantilové regrese. Robustní regrese. Shluková analýza, hierarchické a nehierarchické shlukování, asociační pravidla, hustotní shluky. Dobývání znalostí z proudů dat Dynamika modelů a základy dynamiky Chaos (tranzitivita), detekce chaosu v geografii Fraktály. Fraktální dimenze a její výpočet pomocí vybraných algoritmů Fraktálové shlukování. Soběpodobné fraktály. Multifraktály.

Podmínky absolvování předmětu

Prezenční forma (platnost od: 2021/2022 zimní semestr)
Název úlohyTyp úlohyMax. počet bodů
(akt. za podúlohy)		Min. počet bodůMax. počet pokusů
Zkouška Zkouška   3
Rozsah povinné účasti:

Zobrazit historii

Podmínky absolvování předmětu a účast na cvičeních v rámci ISP:

Zobrazit historii

Výskyt ve studijních plánech

Akademický rokProgramObor/spec.Spec.ZaměřeníFormaJazyk výuky Konz. stř.RočníkZLTyp povinnosti
2024/2025 (P0532D330037) Geoinformatika K čeština Ostrava povinně volitelný typu B stu. plán
2024/2025 (P0532D330037) Geoinformatika P čeština Ostrava povinně volitelný typu B stu. plán
2023/2024 (P0532D330037) Geoinformatika K čeština Ostrava povinně volitelný typu B stu. plán
2023/2024 (P0532D330037) Geoinformatika P čeština Ostrava povinně volitelný typu B stu. plán
2022/2023 (P0532D330037) Geoinformatika P čeština Ostrava povinně volitelný typu B stu. plán
2022/2023 (P0532D330037) Geoinformatika K čeština Ostrava povinně volitelný typu B stu. plán
2021/2022 (P0532D330037) Geoinformatika P čeština Ostrava povinně volitelný typu B stu. plán
2021/2022 (P0532D330037) Geoinformatika K čeština Ostrava povinně volitelný typu B stu. plán

Výskyt ve speciálních blocích

Název blokuAkademický rokForma studiaJazyk výuky RočníkZLTyp blokuVlastník bloku

Hodnocení Výuky

Předmět neobsahuje žádné hodnocení.