Machine Learning in Geosciences - MZ370G24

• Anglický název: Machine Learning in Geosciences
• Český název: Strojové učení v geovědách
• Zajišťuje: Katedra aplikované geoinformatiky a kartografie (31-370)
• Fakulta: Přírodovědecká fakulta
• Platnost: od 2023 do 2023
• Semestr: letní
• E-Kredity: 5
• Způsob provedení zkoušky: letní s.:
• Rozsah, examinace: letní s.:2/2, Z+Zk [HT]
• Počet míst: 16
• Minimální obsazenost: neomezen
• 4EU+: ne
• Virtuální mobilita / počet míst pro virtuální mobilitu: ne
• Stav předmětu: vyučován
• Jazyk výuky: angličtina
• Vysvětlení: nahrazuje MZ370P41
• Poznámka: povolen pro zápis po webu
• Garant: Ing. Lukáš Brodský, Ph.D.
• Vyučující: Ing. Lukáš Brodský, Ph.D.
• Neslučitelnost : MZ370P41

Anotace

čeština

Poslední úprava: Ing. Lukáš Brodský, Ph.D. (03.01.2023)

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 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.

angličtina

Poslední úprava: Ing. Lukáš Brodský, Ph.D. (03.01.2023)

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 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.

Literatura

čeština

Poslední úprava: Ing. Miroslav Čábelka (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.

Požadavky ke zkoušce

Poslední úprava: Ing. Lukáš Brodský, Ph.D. (15.03.2023)

All assigments from labs (credits).

Written exam, min. 50% correct.

Sylabus

čeština

Poslední úprava: Ing. Miroslav Čábelka (15.01.2020)

• Principy strojového učení; Prakticky: seznámení se systémem GIS.lab

• Přehled a zhodnocení algoritmů strojového učení; Prakticky: příklady algoritmů v modulu scikit-learn;

• Metody ansámblů; Prakticky: boosting, bagging a gradient boosting;

• Kontrola kvality; Prakticky: výpočet indikátorů kvality modelu;

• Mělké a hluboké učení; Prakticky: tvorba modelu v Keras/Tensorflow;

• Tvorba procesních postupů; Prakticky: příprava procesní linky v Python pro řešení projektů;

• Aplikace strojového učení v geovědách; Prakticky: samostatné řešení zadaných projektů aplikace strojového učení;

angličtina

Poslední úprava: Ing. Miroslav Čábelka (15.01.2020)

• Foundations of machine learning;

• Review and assessment of the main algorithms;

• Ensemble methods;

• Models quality control;

• Shallow and deep learning;

• Processing workflows development;

• Projects on applications in geosciences (three different topics);