Fakulteta za znanosti o okolju

Obdelava ekoloških podatkov z metodami strojnega učenja

Predmet se izvaja v programu:
Študijski program druge stopnje Okolje

Cilji in kompetence

Vpeljati študente v področje obdelave ekoloških podatkov z metodami strojnega učenja. Študenti bodo pridobili temeljna znanja o analizi podatkov z metodami strojnega učenja, kot tudi širši pregled najpogosteje uporabljanih metod za strojno učenje. Seznanili se bodo s konkretnimi primeri uporabe teh metod za analizo ekoloških podatkov. V okviru praktičnega dela se bodo usposobili za samostojno uporabo nekaterih programskih orodji strojnega učenja.

Pogoji za vključitev v delo oz.
za opravljanje študijskih obveznosti

Zaključena prva stopnja bolonjskega študija ali visokošolski študijski program

Vsebina

1. Uvod v odkrivanje znanja in metode strojnega učenja (učenje odločitvenih in regresijskih dreves; učenje pravil; verjetnostna klasifikacija; metoda najbližjih sosedov; odkrivanje enačb)

2. Razredi ekoloških problemov, pri katerih lako uporabimo strojno učenje (modeliranje populacijske dinamike, modeliranje habitata)

3. Primeri uporabe strojnega učenja pri analizi ekoloških podatkov (vodni ekosistemi, kmetijstvo, gozdarstvo / napr. modeliranje rasti alg v beneški laguni in blejskem jezeru, modeliranje habitata medveda)

4. Praktično delo z izbranimi metodami strojnega učenja na ekoloških podatkih (predstavitev in vaje na programskih paketih za strojno učenje)

Predvideni študijski rezultati

Znanje in razumevanje:

Študent z uspešno zaključenim predmetom bo poznal in razumel

Splošne kompetence:

  • Proces odkrivanja znanja
  • Metode strojnega učenja, kot na primer odločitvena in regresijska drvesa, pravila, metoda najbližjih sosedov, odkrivanje enačb
  • Izbor metod stojnega učenja za analizo danih podatkov
  • Uporaba različnih programski paketov strojnega učenja

Predmetnospecifične kompetence:

  • Osnovni pojmi odkrivanja znanja in strojnega učenja
  • Pregled najbolj pogosto uporabljanih metod strojnega učenja
  • Metodologija strojnega učenja: različni primeri-različni pristopi
  • Sposobnost določitve primerne metode strojnega učenja za analizo dane množice ekoloških podatkov
  • Sposobnost praktične uporabe metod strojnega učenja na podatkih
  • Sposobnost uporabe programskih paketov za strojno učenje

Temeljna literatura in viri

A. Fielding, editor. Machine Learning Methods for Ecological Applications. Kluwer, 1999.

S. Dzeroski. Data mining in a nutshell. In S. Dzeroski, N. Lavrac, editors, Relational Data Mining, pages 3-27. Springer, 2001.

S. Dzeroski. [KDD Applications in] Environmental sciences. In W. Klösgen, and J. M. Zytkow, editors. Handbook of Data Mining and Knowledge Discovery, pages 817-830. Oxford University Press, 2002.

A. F. Zuur, E. N. Ieno, and G. M. Smith. Analysing Ecological Data. Springer, 2007.

I. H. Witten, E. Frank, and M. A. Hall. Data Mining: Practical Machine Learning Tools and Techniques. Morgan Kaufmann, 2011.

Načini ocenjevanja

  • Seminarska (projektna) naloga, vključno s pisnim poročilom in ustnim zagovorom (100 %)

Reference nosilca

Habilitiran leta 2010 v naziv redni profesor za področje računalništva in informatike na Fakulteti za računalništvo in informatiko Univerze v Ljubljani.

  • ŠKERJANEC, Mateja, ATANASOVA, Nataša, ČEREPNALKOSKI, Darko, DŽEROSKI, Sašo. KOMPARE, Boris. (2014) Development of a knowledge library for automated watershed modeling. Environmental Modelling & Software, 54: 60-72. (COBISS-ID= 6485601)
  • KOCEV, Dragi, DŽEROSKI, Sašo. (2013) Habitat modeling with single- and multi-target trees and ensembles. Ecological Informatics, 18: 79-92. (COBISS-ID= 26909735)
  • ČEREPNALKOSKI, Darko, TASHKOVA, Katerina, TODOROVSKI, Ljupčo, ATANASOVA, Nataša, DŽEROSKI, Sašo. (2012). The influence of parameter fitting methods on model structure selection in automated modeling of aquatic ecosystems. Ecological Modeling, 245: 136-166. (COBISS-ID= 26089767)
  • KELLER, Reuben, KOCEV, Dragi, DŽEROSKI, Sašo. (2011). Trait-based risk assessment for invasive species : high performance across diverse taxonomic groups, geographic ranges and machine learning/statistical tools. Diversity and Distribution, 17(3): 451-461. (COBISS-ID= 24674087)
  • EROSKI, Sašo, TODOROVSKI, Ljupčo, editors. Computational Discovery of Scientific Knowledge. Springer, Berlin, 2007. (COBISS-ID= 20974631)

Univerzitetna koda predmeta: 2OK029

Letnik: 1

Nosilec predmeta:

Predavatelj:

ECTS: 6

Obseg:

  • Predavanja: 30 ur
  • Vaje: 15 ur
  • Samostojno delo: 135 ur

Vrsta predmeta: izbirni predmet

Jeziki: slovenski in angleški

Metode poučevanja in učenja:
• predavanja • vaje • samostojno delo študentov