Machine learning has become a significant data science tool to explore and analyze the geography data. The objectives of the course is to review basic principles of machine learning, critically assess the algorithms, practically design processing workflows, apply quality control procedures and interpret the results.
The analysis are applied on simulated and real spatial and spatio-temporal geography data. Students will develop their own scripts to practically use the gained knowledge of machine learning within the geoscience applications.
There are no formal prerequisites, but a good knowledge of Python language is necessary.
Last update: Brodský Lukáš, Ing., Ph.D. (08.07.2025)
Metody strojového učení jsou v poslední době nedílnou součástí průzkum a analýzy dat, včetně geografických dat. Cílem předmětu je získání přehledu principů strojového učení, kritické zhodnocení používaných algoritmů, praktický návrh procesních linek, kontrola kvality a interpretace získaných výsledků.
Analýzy dat budou aplikovány na simulovaná a reálná prostorová a časo-prostorová geografická data. Studenti v předmětu samostatně pracují na zadaných projektech aplikace strojového učení. V těchto projektech vytvářejí vlastní skripty v jazyce Python s využitím získaných znalostí a kriticky hodnotí výsledky.
Dobrá znalost jayzka Python je podmínka nutná pro úspěšné absolvování předmětu.
Last update: Brodský Lukáš, Ing., Ph.D. (08.07.2025)
Literature -
Bishop C. M. (2006): Pattern Recognition and Machine Learning, Springer.
Goodfellow, I., Bengio, Y., Courville, A. (2016): Deep Learning, MIT press.
Mehryar, M., Afshin, R., Ameet, T. (2012): Foundations of Machine Learning, MIT press.
Lary, D. J., Alavi, A. H., Gandomi, A. H., Walker, A. L. (2016): Machine learning in geosciences and remote sensing. Geoscience Frontiers, Elsevier.
Last update: Čábelka Miroslav, Ing. (15.01.2020)
Bishop C. M. (2006): Pattern Recognition and Machine Learning, Springer.
Goodfellow, I., Bengio, Y., Courville, A. (2016): Deep Learning, MIT press.
Mehryar, M., Afshin, R., Ameet, T. (2012): Foundations of Machine Learning, MIT press.
Lary, D. J., Alavi, A. H., Gandomi, A. H., Walker, A. L. (2016): Machine learning in geosciences and remote sensing. Geoscience Frontiers, Elsevier.
Last update: Čábelka Miroslav, Ing. (15.01.2020)
Requirements to the exam
All assigments from labs (credits) based on two tests.
Written exam, min. 50% correct.
Last update: Brodský Lukáš, Ing., Ph.D. (08.07.2025)
Syllabus -
1. Introduction to Machine Learning (linear and non-linear problems) 2. Historical context (development of ML algorithms since 1950) 3. Machine Learning landscape (review of ML types, terminology) 4. Basics of linear algebra & Python data science for Machine Learning (Numpy, Matplotlib, Pandas) 5. Fundamental and ensemble algorithms (LM, KNN, SVM, DT, ANN, Gradient Descent) 6. Model generalization (training and testing error, components of error, model diagnostics, overfitting, underfitting, model generalization strategies) Model regularization (regularization techniques, regularized linear model, Ridge regression, Lasso, Elastic net, regularizing polynomial model) 7: Machine Learning Project 8: Analyzing Satellite Images and Relief Model in Python for Machine Learning Project 9: Vector Data Analysis in Python for Machine Learning Project 10: Introduction to Geospatial Machine Learning 11: GeoAI Applications - Spatial Context 12: xAI - Interpretable ML Models
Last update: Brodský Lukáš, Ing., Ph.D. (08.07.2025)
1. Úvod do strojového učení (lineární a nelineární problémy) 2. Historické souvislosti (vývoj ML algoritmů od roku 1950) 3. Strojové učení (přehled typů ML, terminologie) 4. Základy lineární algebry a datové vědy v jazyce Python pro strojové učení (Numpy, Matplotlib, Pandas) 5. Základní a ansámblové algoritmy (LM, KNN, SVM, DT, ANN, Algoritmus gradientního sestupu) 6. Generalizace modelu (chyba trénování a testování, složky chyby, diagnostika modelu, overfitting, underfitting, strategie generalizace modelu) Regularizace modelu (regularizační techniky, regularizovaný lineární model, Ridge, Lasso, Elastic net, regularizace polynomického modelu) 7: Projekt strojového učení 8: Analýza satelitních snímků a modelu reliéfu v jazyce Python pro projekt strojového učení 9: Vektorová analýza dat v jazyce Python pro projekt strojového učení 10: Úvod do problematiky geoprostorového strojového učení 11: Aplikace GeoAI - prostorový kontext 12: xAI - interpretovatelné ML modely
Last update: Brodský Lukáš, Ing., Ph.D. (08.07.2025)
