1) Umělá inteligence, základní přístupy, metody.
2) Strojové učení, základní koncepty, učení s učitelem, učení bez učitele, zpětnovazební učení, hybridní metody. Přehled úloh strojového učení. Komplexnost modelů, ztrátová funkce, dimenzionalita.
3) Prostorové aspekty – prostorová kontinuita, stacionarita, prostorové vzorkování, bootstrapping. Příprava analýzy – analýza vzorkovací sítě, Morisita diagram, transformace dat.
4) Úvod do klasifikace. Naivní Bayesovská klasifikace. Algoritmus k-nejbližších sousedů
5) Klasifikační a rozhodovací stromy. Výběry atributů pomocí entropie, tabulek četností a Giniho indexu. Hodnocení úspěšnosti klasifikace.
6) Metoda podpůrrných vektorů, regrese se SVM (SVR).
7) Neuronové sítě, vícevrstvý perceptron, regresní neuronové sítě, pravděpodobnostní neuronové sítě, Kohonenovy mapy, radiální funkce, hluboké učení, konvoluční neuronové sítě.
8) Data mining, data science. Metodologie data miningu. Dobývání vzorů, sekvence. Získávání asociačních pravidel.
9) Text mining. Předzpracování textu. Informační zisk. Normalizace vah.
10) Shluková analýza, hierarchické a nehierarchické shlukování, asociační pravidla, hustotní shluky.
11) Úvod do teorie chaosu a fraktálů. Dynamika modelů a základy dynamiky. Detekce chaosu v geografii.
12) Fraktály. Fraktální dimenze a její výpočet pomocí vybraných algoritmů. Aplikace v geoinformatice.
13) Úvod do genetického programování. Rojová inteligence.
2) Strojové učení, základní koncepty, učení s učitelem, učení bez učitele, zpětnovazební učení, hybridní metody. Přehled úloh strojového učení. Komplexnost modelů, ztrátová funkce, dimenzionalita.
3) Prostorové aspekty – prostorová kontinuita, stacionarita, prostorové vzorkování, bootstrapping. Příprava analýzy – analýza vzorkovací sítě, Morisita diagram, transformace dat.
4) Úvod do klasifikace. Naivní Bayesovská klasifikace. Algoritmus k-nejbližších sousedů
5) Klasifikační a rozhodovací stromy. Výběry atributů pomocí entropie, tabulek četností a Giniho indexu. Hodnocení úspěšnosti klasifikace.
6) Metoda podpůrrných vektorů, regrese se SVM (SVR).
7) Neuronové sítě, vícevrstvý perceptron, regresní neuronové sítě, pravděpodobnostní neuronové sítě, Kohonenovy mapy, radiální funkce, hluboké učení, konvoluční neuronové sítě.
8) Data mining, data science. Metodologie data miningu. Dobývání vzorů, sekvence. Získávání asociačních pravidel.
9) Text mining. Předzpracování textu. Informační zisk. Normalizace vah.
10) Shluková analýza, hierarchické a nehierarchické shlukování, asociační pravidla, hustotní shluky.
11) Úvod do teorie chaosu a fraktálů. Dynamika modelů a základy dynamiky. Detekce chaosu v geografii.
12) Fraktály. Fraktální dimenze a její výpočet pomocí vybraných algoritmů. Aplikace v geoinformatice.
13) Úvod do genetického programování. Rojová inteligence.