GeoComputation

Typ studia	doktorské
Jazyk výuky	čeština
Kód	548-0953/01
Zkratka	GCC
Název předmětu česky	GeoComputation
Název předmětu anglicky	GeoComputation
Kreditů	10
Garantující katedra	Katedra geoinformatiky
Garant předmětu	prof. Ing. Igor Ivan, Ph.D.

Subject syllabus

Umělá inteligence, základní přístupy, metody.
Strojové učení. Přehled úloh strojového učení. Komplexnost modelů, ztrátová funkce, dimenzionalita.
Prostorové aspekty – prostorová kontinuita, stacionarita, prostorové vzorkování, bootstrapping.
Úvod do klasifikace. Naivní Bayesovská klasifikace. Algoritmus k-nejbližších sousedů
Klasifikační a rozhodovací stromy. Výběry atributů pomocí entropie, tabulek četností a Giniho indexu. Hodnocení úspěšnosti klasifikace.
Metoda podpůrrných vektorů, regrese se SVM (SVR). Diskriminační analýza
Neuronové sítě, vícevrstvý perceptron, regresní neuronové sítě, pravděpodobnostní neuronové sítě, Kohonenovy mapy, radiální funkce, hluboké učení, konvoluční neuronové sítě.
Bayesovské sítě. Bagging, boosting, stacking. Ladění modelů (tuning), validace modelů.
Data mining, data science. Metodologie data miningu. Dobývání vzorů, sekvence. Získávání asociačních pravidel.
Text mining. Předzpracování textu. Informační zisk. Normalizace vah.
Logistická regrese. Symbolická regrese. Kvantilové regrese. Robustní regrese.
Shluková analýza, hierarchické a nehierarchické shlukování, asociační pravidla, hustotní shluky.
Dobývání znalostí z proudů dat
Dynamika modelů a základy dynamiky
Chaos (tranzitivita), detekce chaosu v geografii
Fraktály. Fraktální dimenze a její výpočet pomocí vybraných algoritmů
Fraktálové shlukování. Soběpodobné fraktály. Multifraktály.

Literature

VOŽENÍLEK, V, DVORSKÝ J., HÚSEK D. (ed.) Metody umělé inteligence v geoinformatice. Olomouc: Univerzita Palackého v Olomouci, 2011. ISBN 978-80-244-2945-8.
LAMPART, M., HORÁK, J., IVAN, I.: Úvod do dynamických systémů: teorie a praxe v geoinformatice, Vysoká škola báňská – Technická univerzita Ostrava, 2013, ISBN 978-80-248-3185-5.
KANEVSKI M. F., Poudnoukhov A., Timonin V. Machine learning for spatial environmental data. CRC Press 2009. 377 s., 978-0-8493-8237-6
BRAMER, M.A. Principles of data mining. Springer, London, 2020.

Advised literature

ČANDÍK, M., VČELAŘ, F., ZELINKA, I.: Fraktální geometrie - principy a aplikace, BEN-Technická literatura, 2006, ISBN 80-7300-191-8.
CHOLLET, François. Deep learning v jazyku Python: knihovny Keras, Tensorflow. Přeložil Rudolf PECINOVSKÝ. Praha: Grada Publishing, 2019. Knihovna programátora (Grada). .
BRUNTON, S.L., KUTZ, J.N. Data-driven science and engineering: machine learning, dynamical systems, and control. Cambridge University Press, Cambridge, 2019.
ZAKI, M.J., MEIRA, W. Data mining and machine learning: fundamental concepts and algorithms. Cambridge University Press, Cambridge, United Kingdom, 2020; New York, NY.

back to search page