Georuimtelijke artificiële intelligentie
Deze cursus biedt een uitgebreide verkenning van artificiële intelligentie in de geografie. Leer hoe AI- technologieën complexe geografische vraagstukken kunnen identificeren en oplossen.
Praktische info:
Inschrijven?
- Voorwaarden: ervaring in Python programmeren en in het verwerken van geospatiale data.
- Prijs: zie studiegeld voor Universiteit Gent
Inschrijven kan via een creditcontract bij Universiteit Gent.
georganiseerd door:
Leertraject
Situering
In deze cursus zal je je verdiepen in de boeiende integratie van kunstmatige intelligentie (artificiële intelligentie of AI) binnen het domein van de geografie. De cursus biedt niet alleen een breed overzicht van de principes en concepten achter AI, maar stelt je ook in staat om praktijkervaring op te doen door middel van interactieve toepassingen met diverse AI-technologieën en algoritmen. Bovendien zal je leren hoe deze geavanceerde technieken ingezet kunnen worden voor het identificeren, analyseren en het aanpakken van complexe geografische vraagstukken en uitdagingen.
Inhoud
- Overzicht en Introductie
- Overzicht van AI en de subdomeinen ervan
- Onbegeleid & Begeleid Leren | Traditionele ML-methoden
- Voorbeeldcases van AI in het geospatiale domein
- Ethische kwesties: vooringenomenheid en eerlijkheid
- Ontologie (kennisrepresentatie) en kwalitatieve ruimtelijke redenering
- Ontologie
- Semantisch web en gekoppelde data
- Kennisgrafen
- Kwalitatieve Ruimtelijke Redenering
- Praktijk: Python voor (ruimtelijke) data opschoning, verwerking en transformatie
- Fundamenten van Artificiële Neurale Netwerken (ANN's)
- Basisarchitectuur van neurale netwerken
- Een functie fitten met Stochastische Gradient Afdaling
- Hoe neurale netwerken alle functies kunnen benaderen
- Implementatie van een Multi-Layer Perceptron
- Praktische tutorials in Python & PyTorch
- Deep Learning – Convolutional Neural Networks (CNN's)
- Computervisieproblemen in de geografie
- Geleerde kenmerken versus ontworpen kenmerken
- Convoluties, strides & padding, het begrijpen van convolutievergelijkingen
- Praktische training en implementatie van een CNN op teledetectiebeelden met fast.ai en PyTorch
- Deep learning – Recurrent Neural Networks (RNNs)
- RNN's (LSTM, GRU, Transformers) doorlopen (basisideeën + praktische tutorials)
- Toepassingen van RNN's voor geospatiale toepassingen: verkeersvoorspelling, volgende-locatievoorspelling
- Praktische tutorials in Python
- Generative Adversarial Network (GAN) enReinforcement Learning
- Inleiding tot NLP, LLM, “GenAI”, Hybrid-AI
- Projectwerk met tussentijdse feedback
Eindcompetenties
- Begrijpen van de fundamenten van GeoAI en de belangrijkste technieken en algoritmen.
- Praktijkervaring verwerven met diverse AI-technieken en algoritmen die relevant zijn voor geospatiale analyse, gebruikmakend van de programmeertaal Python.
- Het kunnen toepassen van AI-technieken om (eenvoudige) geografische problemen en kwesties aan te pakken of op te lossen.
Lesgevers / sprekers
Nico Van de Weghe
Prof. dr. Nico Van de Weghe is hoogleraar GIWetenschappen, een wetenschappelijke discipline op het snijvlak van informatica, sociale wetenschappen en natuurwetenschappen. GIScience houdt zich bezig met de studie van geospatiale informatie en hoe mensen de wereld begrijpen. Het behandelt ook hoe fenomenen van de wereld kunnen worden opgeslagen, gerepresenteerd en geanalyseerd. Het ligt aan de basis van GeoAI, dat als doel heeft machines te leren redeneren en ruimtelijk analyseren zoals een mens. Sinds zijn promotieonderzoek in 2004 heeft Van de Weghe een brede interesse in kennisgebaseerde AI, in het bijzonder tijdruimtelijke redenering en analyse.
Zoals op alle gebieden die met AI te maken hebben, worden datagestuurde benaderingen steeds dominanter in GeoAI. Daarom richt Van de Weghe zich momenteel op onderzoek in zowel kennisgebaseerde als datagestuurde GeoAI. Hij onderzoekt de mogelijkheden om beide te combineren tot hybride GeoAI. Sinds zijn vroege onderzoeksperiode ligt Van de Weghe's nadruk op tijdruimtelijke toepassingen in het algemeen en de analyse van bewegende objecten in het bijzonder. Hij heeft zijn onderzoek toegepast in verschillende domeinen, waaronder diergedrag, criminologie, massa-analyse, gezondheidszorg, mobiliteitsonderzoek, navigatie en sportanalyse.
Expertise: GeoAI, Generatieve AI, GIWetenschappen, Geografische informatiesystemen (GIS), kennisgebaseerd AI, datagebaseerd AI, hybride AI
Haosheng Huang
Haosheng Huang is a Professor in GIScience and Cartography at Ghent University. He obtained a BSs/MSc degree (with distinction) in Computer Science and a PhD degree (with distinction) in Geoinformation/Cartography. Previously, he was a senior lecturer and research group leader at the Department of Geography at the University of Zurich, Switzerland (2016-2020); a researcher and lecturer (Univ.Ass.Dr.techn.) at Research Group Cartography, TU Wien, Austria (2013-2016).
Haosheng has a broad research interest in the modelling, analysis, and visualization of geographical data, as well as their interdisciplinary applications. His research expertise includes: Geospatial AI (GeoAI), Spatial Data Science, Urban informatics, Location based services and mobile HCI (e.g., augmented reality AR), and Spatial cognition (e.g., with eye-tracking and EEG). The application domains range from navigation systems (for pedestrians, cyclists, and car drivers), sustainable mobility, and smart cities to social equity and health sciences.
Expertise: Geospatial AI (GeoAI), Spatial Data Science, Virtual Reality (VR), Mobile HCI, Smart Cities and Mobility
Tim Van de Voorde
In my research, remote sensing, spatial analysis and GIS techniques are used to help cities meet the challenges they face posed by rapid urbanisation, unplanned growth and global environmental change.
My work strives to combine aspects of both fundamental and applied research while addressing societal challenges, supporting policy development and including valorisation. I have developed methods and applications to map urban green infrastructure, monitor and model land-use change, urban growth and the resulting environmental impacts. This includes, for example, forecasting the spatial impact of alternative planning scenarios for strategic environmental impact assessment, improving hydrological models that predict runoff in urban watersheds to assess flood risk, and developing indicators of urban vegetation abundance and accessibility of urban green spaces.
My expertise includes:
- Urban green infrastructure and ecosystem services
- Urban remote sensing
- Sub-pixel classification of medium resolution satellite data
- Land-use change models
- Geographic information systems
- Python, ArcGIS and open-source GIS solutions
- Machine-learning approaches in remote-sensing based image classification
Gerelateerde opleidingen
HPC Computer Architectures for AI and Dedicated Applications
Zomerschool - Barcelona - Barcelona Supercomputing Center
