Last update: 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.
Last update: 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.
Literature -
Last update: 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.
Last update: 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.
Requirements to the exam
Last update: Ing. Lukáš Brodský, Ph.D. (15.03.2023)
All assigments from labs (credits).
Written exam, min. 50% correct.
Syllabus -
Last update: 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);
Last update: 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;