Základy umělé inteligence v GIS
| Typ studia | bakalářské |
|---|---|
| Jazyk výuky | čeština |
| Kód | 548-0135/01 |
| Zkratka | AIGIS |
| Název předmětu česky | Základy umělé inteligence v GIS |
| Název předmětu anglicky | Basics in Artificial Intelligence in GIS |
| Kreditů | 5 |
| Garantující katedra | Katedra geoinformatiky |
| Garant předmětu | Ing. Lucie Orlíková, Ph.D. |
Osnova předmětu
1. Úvod do umělé inteligence (AI): vymezení pojmů, pohled do historie, úspěšné aplikace v geoinformatice.
2. Explorační analýza datového souboru: opakování statistického základu a jeho význam pro strojové učení.
3. Základy strojového učení (Machine Learning, ML): klasifikace a regrese, shluková analýza, učení s učitelem a bez učitele, ilustrační příklady.
4. Rozhodovací stromy v AI a ML: principy učení rozhodovacích stromů a jejich využití v prediktivní analýze.
5. Logika a strojové učení: specializace, generalizace, logický důsledek v rámci AI.
6. Ověřování výsledků strojového učení: učící a testovací množina, přeučení (overfitting), křížová validace, matice zmatenosti, učící křivka.
7. Lineární regrese v ML: metoda nejmenších čtverců a její využití v klasifikaci a predikci.
8. Kernelové metody v ML: principy kernelové transformace a jejich aplikace ve strojovém učení.
9. Neuronové sítě v AI: vícevrstvá neuronová síť, princip zpětné propagace a deep learning.
10. Shluková analýza v ML: algoritmus nejbližších sousedů, hierarchické shlukování a jejich využití v geoinformatice.
11. Praktické strojové učení: předzpracování dat, výběr a konstrukce atributů, metody vzorkování.
12. Verifikace a validace výsledků ML modelů: hodnocení přesnosti a spolehlivosti prediktivních modelů.
13. Moderní umělá inteligence a její využití: jazykové modely jako ChatGPT a jejich aplikace, generativní AI, automatizace úloh v geoinformatice a dalších vědních oborech, etické aspekty AI.
2. Explorační analýza datového souboru: opakování statistického základu a jeho význam pro strojové učení.
3. Základy strojového učení (Machine Learning, ML): klasifikace a regrese, shluková analýza, učení s učitelem a bez učitele, ilustrační příklady.
4. Rozhodovací stromy v AI a ML: principy učení rozhodovacích stromů a jejich využití v prediktivní analýze.
5. Logika a strojové učení: specializace, generalizace, logický důsledek v rámci AI.
6. Ověřování výsledků strojového učení: učící a testovací množina, přeučení (overfitting), křížová validace, matice zmatenosti, učící křivka.
7. Lineární regrese v ML: metoda nejmenších čtverců a její využití v klasifikaci a predikci.
8. Kernelové metody v ML: principy kernelové transformace a jejich aplikace ve strojovém učení.
9. Neuronové sítě v AI: vícevrstvá neuronová síť, princip zpětné propagace a deep learning.
10. Shluková analýza v ML: algoritmus nejbližších sousedů, hierarchické shlukování a jejich využití v geoinformatice.
11. Praktické strojové učení: předzpracování dat, výběr a konstrukce atributů, metody vzorkování.
12. Verifikace a validace výsledků ML modelů: hodnocení přesnosti a spolehlivosti prediktivních modelů.
13. Moderní umělá inteligence a její využití: jazykové modely jako ChatGPT a jejich aplikace, generativní AI, automatizace úloh v geoinformatice a dalších vědních oborech, etické aspekty AI.
E-learning
Povinná literatura
GAO, S., HU, Y., LI, W., eds. Handbook of Geospatial Artificial Intelligence. CRC Press, 2024.
Šulc, Stanislav. Umělá inteligence: Vítejte v nové realitě. Praha: Práh, 2024. ISBN 978-80-7696-037-4.
Barták, Roman. Co je nového v umělé inteligenci. Praha: Nová beseda, 2022. ISBN 978-80-88312-35-0 .
VOŽENÍLEK, Vít, Jiří DVORSKÝ a Dušan HÚSEK, ed. Metody umělé inteligence v geoinformatice. Olomouc: Univerzita Palackého v Olomouci, 2011. ISBN 978-80-244-2945-8.
Šulc, Stanislav. Umělá inteligence: Vítejte v nové realitě. Praha: Práh, 2024. ISBN 978-80-7696-037-4.
Barták, Roman. Co je nového v umělé inteligenci. Praha: Nová beseda, 2022. ISBN 978-80-88312-35-0 .
VOŽENÍLEK, Vít, Jiří DVORSKÝ a Dušan HÚSEK, ed. Metody umělé inteligence v geoinformatice. Olomouc: Univerzita Palackého v Olomouci, 2011. ISBN 978-80-244-2945-8.
Doporučená literatura
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.
CAMPS-VALLS, G., TUIA, D., ZHU, X. X., REICHSTEIN, M., eds. Deep Learning for the Earth Sciences: A Comprehensive Approach to Remote Sensing, Climate Science, and Geosciences. Wiley, 2021. ISBN 978-1-119-64614-3. �
Wiley Online Library
JEŽEK, Josef. Geostatistika a prostorová interpolace. V Praze: Univerzita Karlova, nakladatelství Karolinum, 2015. ISBN 978-80-246-3076-2.
PRASAD, S., CHANUSSOT, J., LI, J., eds. Advances in Machine Learning and Image Analysis for GeoAI. Elsevier, 2024. ISBN 978-0-443-19077.
CAMPS-VALLS, G., TUIA, D., ZHU, X. X., REICHSTEIN, M., eds. Deep Learning for the Earth Sciences: A Comprehensive Approach to Remote Sensing, Climate Science, and Geosciences. Wiley, 2021. ISBN 978-1-119-64614-3. �
Wiley Online Library
JEŽEK, Josef. Geostatistika a prostorová interpolace. V Praze: Univerzita Karlova, nakladatelství Karolinum, 2015. ISBN 978-80-246-3076-2.
PRASAD, S., CHANUSSOT, J., LI, J., eds. Advances in Machine Learning and Image Analysis for GeoAI. Elsevier, 2024. ISBN 978-0-443-19077.