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.