AG2418 Geospatial artificiell intelligens (GeoAI) 7,5 hp

Den här kursstrukturen erbjuder en logisk progression från grunderna i AI inom geospatial analys till praktiska färdigheter inom preparering av data, traditionell maskininlärning och djupinlärningsmodeller, samt en djup förståelse för modellbegränsningar i geospatiala sammanhang. Tillämpningsexempel kommer att ges på hur GeoAI kan användas för att stödja beslut om stads- och miljöplanering Kursen är organiserad i sex moduler:

Modul 1: Introduktion till AI för geospatial analys

-          Översikt över AI-modeller och deras relevans inom geospatial analys

-          Fallstudier som belyser AI:s inverkan på lösning av geospatiala problem

Modul 2: Geodatahantering

-          Datainsamling från olika källor (satelliter, UAV:er, smartphones, IoT-sensorer)

-          Dataprepareringsmetoder för geospatiala data

-          Egenskapsteknik och datatransformation för AI-modellering

-          Praktiska övningar i förberedelse av geospatiala data

Modul 3: Maskininlärningsmodeller för geografisk analys

-          Maskininlärningsalgoritmers grundläggande principer

-          Praktiska tillämpningar och begränsningar för maskininlärning inom geospatiala sammanhang

-          Djupgående utforskning av Random Forest och dess användning inom geospatial  analys

-          Modellvärderingstekniker med fokus på geografiska data

Modul 4: Djupinlärning inom geografisk analys

-          Övergång från traditionell maskininlärning till djupinlärning

-          Teoretiska grundprinciper för djupinlärningsmodeller (t.ex. CNN, RNN, GNN)

-          Förberedelse av geospatiala data för djupinlärningsmodeller

-          Implementering av djupinlärningsmodeller för rumslig analys

Modul 5: Förståelse och hantering av modellbegränsningar

-          Utvärdering av modellbegränsningar inom GeoAI

-          Avancerade utvärderingstekniker (t.ex. leave-one-out, K-folds korsvalidering)

-          Strategier för att hantera modellbegränsningar

-          Fallstudier som belyser modellens styrkor och svagheter

Modul 6: GeoAI-tillämpningar

-      GeoAI-tillämpning i beslutsstöd för stadsplanering

-      GeoAI-tillämpning i beslutsstöd för miljöplanering

·         Efter avslutad kurs kommer deltagarna ha fått en omfattande förståelse för Geospatial Artificiell Intelligens (GeoAI), så att de kan använda AI-tekniker i geospatial analys och tillämpning och effektivt utnyttja potentialen i geospatial big data för informerat beslutsfattande. Vid slutet av denna kurs kommer studenterna att kunna:

-          Utveckla en gedigen förståelse för AI, maskininlärning och djupinlärning i samband med geospatial analys.

-          Använda traditionella maskininlärningsalgoritmer och mer avancerade djupinlärningsmodeller effektivt för geospatial big data-analys i stads- och miljötillämpningar.

-          Utvärdera modellbegränsningar och använda avancerade bedömningsmetoder för att verifiera modellprestanda.

-          Utveckla färdigheter i förbehandling och optimering av geospatial big data för AI och maskininlärningsmodeller.

-          Få praktiska färdigheter genom praktiska erfarenheter med användning av Python, relevanta bibliotek (t.ex. scikit-learn, PyTorch) och geospatial verktyg för dataanalys.

Avlagd kandidatexamen inom områdena teknik, naturvetenskap, miljövetenskap, geografi, planering och matematik.

Dokumenterade kunskaper i linjär algebra, motsvarande innehåll i kursen SF1672 samt sannolikhetslära och statistik, 3 hp motsvarande innehåll i kursen SF1918, 3 hp eller motsvarande kunskaper som godkänns av examinator.

Samt dokumenterade kunskaper i engelska motsvarande engelska B enligt det svenska gymnasiesystemet.

När kurs inte längre ges har student möjlighet att examineras under ytterligare två läsår.

• LAB2 - Laborationer, 4,5 hp, betygsskala: P, F
• PRO1 - Projekt, 3,0 hp, betygsskala: A, B, C, D, E, FX, F

Examinator beslutar, baserat på rekommendation från KTH:s handläggare av stöd till studenter med funktionsnedsättning, om eventuell anpassad examination för studenter med dokumenterad, varaktig funktionsnedsättning.

Examinator får medge annan examinationsform vid omexamination av enstaka studenter.

Deltagande i den slutliga presentationen på seminarium

Andrea Nascetti

• Vid grupparbete har alla i gruppen ansvar för gruppens arbete.
• Vid examination ska varje student ärligt redovisa hjälp som erhållits och källor som använts.
• Vid muntlig examination ska varje student kunna redogöra för hela uppgiften och hela lösningen.