Przestrzenne uczenie maszynowe w R 2400-ZEWW1020

Jest to bardzo innowacyjny kurs, który łączy metody uczenia maszynowego i analizy przestrzennej oraz wdraża je w praktyce w języku R. Kurs pokazuje, jak pracować z różnymi typami danych geo-lokalizowanych: punktami, pikselami, siatkami, rastrami, obrazami, regionami, liniami itp. – jak integrować je w spójne bazy danych oraz wydobywać informacje i wiedzę. Kurs koncentruje się na zastosowaniach w ekonomii. Kurs oparty jest na książce „Spatial Machine Learning in R” (Routledge, 2026), wydanej przez wykładowców prowadzących kurs.

Szczegółowa tematyka zajęć:
1. Praca z danymi przestrzennymi – klasy w języku R, odczyt, wizualizacja,
2. Praca z danymi przestrzennymi – integracja danych przestrzennych różnego typu i ziarnistości (siatki, punkty, rastrowe, regiony, linie)
3. Praca z danymi przestrzennymi – uzyskiwanie informacji z otoczenia (budowa macierzy wag przestrzennych, radialna rejonizacja, k najbliższych sąsiadów)
4. Praca z danymi przestrzennymi – klasyfikacja terytoriów według gęstości za pomocą modelu DEGURBA
5. Praca z danymi przestrzennymi – metody uczenia maszynowego do interpolacji przestrzennej i obsługi brakujących danych
6. Nienadzorowane uczenie maszynowe w przestrzeni – klasteryzacja punktów geolokalizacyjnych (test Clarka-Evansa, DBSCAN, QDC)
7. Nienadzorowane uczenie maszynowe w przestrzeni – metody pomiaru aglomeracji przestrzennej (ETA, SPAG)
8. Nienadzorowane uczenie maszynowe w przestrzeni – metody modelowania powierzchni (szacowanie gęstości jądrowej, względne ryzyko przestrzenne)
9. Nienadzorowane uczenie maszynowe w przestrzeni – porównywanie rozkładów przestrzennych (klastrowane KDE, klasteryzacja szeregów przestrzennych)
10. Nienadzorowane uczenie maszynowe w przestrzeni – reguły asocjacyjne przestrzenne (reguły w czasie i przestrzeni)
11. Nadzorowane uczenie maszynowe w przestrzeni – modele globalne wykorzystujące informacje z otoczenia (las losowy, sztuczna sieć neuronowa, konstrukcja macierzy wag przestrzennych i radialnych)
12. Nadzorowane uczenie maszynowe w przestrzeni – modele lokalne na podpróbach geograficznie ukierunkowanych (las losowy ważony geograficznie)
13. Nadzorowane uczenie maszynowe w przestrzeni – konwolucyjne sieci neuronowe dla danych czasowo-przestrzennych
14. Nadzorowane uczenie maszynowe w przestrzeni – modele uczenia maszynowego oparte na przyczynowości
15. Kriging jako metoda ekstrapolacji wyników modeli uczenia maszynowego z punktów na powierzchnię