1 / 13

Geospatial Data Mining Methods and Knowledge Discovery in Structured Geographic Data

Explore techniques for extracting knowledge from spatial data in this lecture. Topics include machine learning basics, association rules, and tools like Weka and R. Learn about mining structured data in spatial databases and text. Dive into visualization in crisis management and EU projects.

satin
Download Presentation

Geospatial Data Mining Methods and Knowledge Discovery in Structured Geographic Data

An Image/Link below is provided (as is) to download presentation Download Policy: Content on the Website is provided to you AS IS for your information and personal use and may not be sold / licensed / shared on other websites without getting consent from its author. Content is provided to you AS IS for your information and personal use only. Download presentation by click this link. While downloading, if for some reason you are not able to download a presentation, the publisher may have deleted the file from their server. During download, if you can't get a presentation, the file might be deleted by the publisher.

E N D

Presentation Transcript

  1. Z8119 Vyhledávání znalostí v prostorových datech • metody dolování ze strukturovaných geografických dat • přednáška 2h, pondělí 14-15,40 Z4, cvičení1h projekt • klasifikovaný zápočet • http://www.fi.muni.cz/~popel/lectures/geomining/ • Výzkumný záměr MŠM Dynamická geovizualizace v krizovém managementu

  2. Obsah I Metody a systémy pro dolování • Vyhledávání znalostí v databázích • Základy strojového učení, učení s učitelem., učení bez učitele. Asociační pravidla. Induktivní logické programování • Systémy. Weka. R. Statistica, Orange, Clementine, Microsoft, MineSet • Metody předzpracování dat • Jazyky pro dolování v datech

  3. Obsah I I Dolování ve strukturovaných datech • Dolování v objektově orientovaných databazích, v textu a hypertextu • Logiky pro prostorová a časově-prostorová data • Dolování v geografických datech. Rastrová a vektorová data. Hledání asociačních pravidel • Systémy: GeoMiner. GWiM. SPADA

  4. Obsah I I I GRR • Struktura, GIS GRASS • Příprava a předzpracování dat • Analytické metody • Experimenty s GRR

  5. Obsah I V Vizualizace a krizový management • Vizualizace geografických dat. CommonGIS (Fraunhoffer Institut Bonn) • Krizový management a EU projekt EGERIS • Výzkumný záměr MŠM Dynamická geovizualiizace v krizovém managementu

  6. Obsah V Projekty KD Labu FI • Analýza satelitních snímků • Vichřice v českých zemích • Analýza textů o záplavách

  7. Literatura Petr Berka, Dobývání znalostí z databází. Academia, 2003. Tom Mitchell, Machine Learning, McGraw-Hill, 1997. Jiawei Han and Micheline Kamber, Data Mining: Concepts and Techniques. Academic Presss 2001. Natalia and Gennady Andrienko, Exploratory Analysis of Spatial and Temporal Data. Springer 2005.

  8. Metody a systémy pro dolování

  9. Vyhledávání znalostí v databázích Datový sklad Výběr dat Předzpracování dat Data mining Vyhodnocení výsledku

  10. Vyhledávání znalostí: CRISP DM

  11. Strojové učení I Tom, Mitchel, Machine Learning, 1993 • učicí množina příkladů • hledáme generalizaci učicí množiny • ověřujeme na testovací množině Statistické metody, explorační analýza dat a strojové učení

  12. Strojové učení II Učení s učitelem(supervised learning) klasifikační úlohy, učicí příklady jsou klasifikovány do tříd (diskrétních či spojitých) Učení bez učitele (unsupervised learning) shlukování podobných objektů Deskriptivní úlohy (Agrawal 91) „A a B a C platí často“ často = častěji než daná mez „platí-li D a E, pak platí F“ (support,konfidence)

  13. Učení s učitelem I supervised learning klasifikace (dokumentů, slov) do předem známých tříd • rozhodovací stromy, pravidla (Quinlan 93) • učení z instancí (Timbl, http://ilk.kub.nl/software.html) • bayesovské učení (Mitchell 93) • support vector machines (Bennett00, Cristianini00) • neuronové sítě (Hassoun95)

More Related