Dydaktyka

Aktualnie prowadzone kursy:

Geoinformacja/Geoinformatyka

Programowanie w języku Python – poziom podstawowy
II rok inż. Geoinformacja

Kurs 45 godzin (15 wykład, 30 godzin labolatorium) obejmujący wprowadzenie do języka Python. Kurs obejmuje następujące zagadnienia:

W ramach kursy są planowane trzy kolokwia (po 4, 7 i ostatnich zajęciach)

Przydatne linki:

Wymogi dotyczące zaliczenia

  1. Otworzyć dostęp do pliku danych zawierających informację geograficzną (dane tabelaryczne lub inne)
  2. Wczytać dane do środowiska Python. Można użyć dowolnych danych, zarówno istniejących jak i zbudowanych przez autora. Dane nie mogą się powtarzać!
  3. Podzielić dane na części przypisując je do zmiennych (np. kolumny na listy, definicje do słowników itp)
  4. Wykonać dwie-trzy operacje przekształcające wczytane dane (nie muszą być skomplikowane)
  5. Wynik przekształcenia zapisać do pliku
  • Praca zrealizowana w postaci min. dwóch plików.
  • Pierwszy plik zawiera własne funkcje (min dwie) użyte do przekształcenia danych;
  • drugi, główny zawiera parser argumentów linii poleceń
  • Funkcje powinny posiadać mechanizmy zabezpieczające przed błędami (asserts, obsługę wyjątków)
  • Kod powinien zawierać komentarze oraz doc-stringi

Porgramowanie geoinformacyjne w języku Python – poziom średniozaaw.
III rok inż. Geoinformacja

Kurs 30 godzin (labolatorium) obejmuje podstawy stosowania bibliotek GDAL/OGR i przetarzania danych geoprzestrzennych bezpośrenio z poziomu języka. Wymaga opanowania kursu podstawowego, w tym zasad programowania obiektowego

Dane do kursu:

Przydatne linki:

Podręczniki:

  • Chris Garrard, 2016, Geoprocessing with Python, Manning Publishing, 360s
  • Joel Lawhead, 2013, Learning Geospatial Analysis with Python, Pact Publishing, 421p

Programowanie geoinformacyjne w języku Python poziom zaawansowany
I rok DU Geoinformatyka

Kurs 60 godzin (wykład i labolatoria) objemuje zaawansowane procedury przetwarzania danych geoprzestrzennych, wizualizacje kartograficzne, geoprzetwarzanie danych w programie QGIS, tworzenie własnych pluginów

  • Zarządzanie odczytem i zapisem danych rastrowych
  • Zaawansowane przetwarzanie danych rastrowych
  • Prztwarzanie dużych zbiorów danych
  • Zarządzanie odczytem i zapisem danych wektorowych
  • Procedury geoprzetwarzania danych punktowych, liniowych  i poligonów
  • Operacje geometryczne na danych wektorowych (GEOS)
  • Odczyt i zapis danych geoprzestrzennych w programie QGIS (QGIS API)
  • Skrypty geoprzetwarzania w programie QGIS
  • Wizualizacje i kompozycja map
  • Wtyczki w QGIS – projektowanie wtyczek i przygotowanie środowiska
  • Wtyczki w QGIS – interface użytkownika (PyQt)
  • Wtyczki w QGIS – procedury georzetwarzania

Geo – Data Science (Eksloracja danych geoprzestrzennych)
II DU rok Geoinformatyka

Kurs (15 godzin wykładów, 30 godzin labolatorium) obejmuje zastosowanie języka Python w w procedurach eksploracji danych geoprzestrzennych.

Wykłady:

  1. Geo – Data – Science – Wstęp
  2. Zarządzanie i wizualizacja danych
  3.  Analiza wielowymiarowa
  4. Uczenie bez nadzoru
  5. Uczenie z nadzorem: klasyfikacja i regresja
  6. Uczenie z nadzorem: charakterystyka klasyfikatorów
  7. Analiza związków (częstych wzorców)

Samouczki do ćwiczeń:

  1. zarządanie danymi przestrzennymi – pandas
  2. wizualizacja danych przestrzennych – seaborn
  3. zarządzanie i wizualizacjaprzestrzennych danych rastrowych
  4. Grupowanie i metody nienadzorowane
  5. Klasyfikacja i regresja – metody nadzorowane
  6. Klasyfikacja, regresja i grupowanie dla danych rastrowych
  7. Analiza związków (częstych wzorców)

Dane do kursu:

Przydatne linki:

Lista podręczników:

  • Sebastian Rashka, 2015, Python Machine Learning, Packt Publishing, 457 s.
  • Davy Cielen, Arno Meysman, Mohamed Ali, 2016, Introducing Data Science, Manning Publications, 300 s.
  • Trevor Hastie, Robert Tibshirani, Jerome Friedman, 2013, The Elements of Statistical Learning, Springer Series in Statistics, 536s.
  • Henrik Brink, Joseph W. Richards, Mark Fetherolf, 2017, Real-world Machine Learning, Manning Publications 242s.

Zadanie zaliczeniowe:

Dane zawierają informację o odległości (czas dojazdu w min) do wybranych typów obiektów na terenie powiatu poznańskiego oraz lokalizację transakcji kupna-sprzedaży nieruchomości wraz z ceną. Co należy wykonać:

  1. rzeprowadzić eksploracyjną analizę danych wejściowych (charakterystyki statystyczne + wizualizacja)
  2. Redukcję wymiarowości przedstawionych map, opisać ile komponentów ma sens intepretacyjny
  3. Grupowanie (na podstawie zredukowanych wymiarów lub orginalnych) a następnie przygotować charakterystykę statystyczną klas wraz z interpretacją
  4. Przeprowadzić próbkowanie danych rastrowych na podstawie wspórzędnych  (zob. quick start)
  5. Na podstawie próbek zbudować model pedykykcyjny cen nieruchomości dla powiatu (dane o zredukowanej wymiarowości lub surowe)
  6. Dokonać oceny wydajności modelu
  7. Dokonać wizualizacji POTENCJALNYCH cen w postaci mapy

Materiały do wykonania aliczenia

Całość rozliczamy w postaci raportu (jupyter notebook) wraz z komentarzami

Grafika komputerowa
I rok Geoinformacja

Grafika 3D

wkrótce…

Materiały archiwalne

Informatyka – Geoinformacja

Geomorfometria

Kurs data science w R