Výtvarný styl je jednou z prvních věcí, které jsou v mapách nepřímo
hodnoceny téměř každým uživatel. Současná literatura však nenabízí žádnou
společně dohodnutou definici výtvarného stylu, ani nerozlišuje mezi jednotlivými
výtvarnými styly. Tato diplomová práce se zabývá možnostmi metod strojového
učení, konkrétně neuronových sítí, k identifikaci těchto stylů u tematických map.
Předpoklad pro práci je ten, že neuronové sítě mohou výrazně přispět k definici
výtvarných stylů map. Doposud sice neexistuje žádná podobná studie, která by
zkoumala definici výtvarného stylu obrazových dat, ke kterým mapy patří, natož
s použitím softwaru Orange. Důvodem bude pravděpodobně jen nevyužití
možností strojového učení v této oblasti, protože v jiných odvětvích, jako jsou IT,
přírodní vědy nebo technické vědy, jsou tyto nástroje široce používány.
Neuronové sítě z tohoto softwaru již byly nicméně úspěšně použity k analýze
podobnosti kruhových výřezů měst z Urban Atlasu (Dobešová 2019). Tato
diplomová práce je proto v mnoha ohledech průlomová a poskytuje náhled na
potenciál metod machine learning (konkrétně neuronových sítí) a využití softwaru
Orange k ještě nerealizovaným kartografickým úlohám.
Anotace v angličtině
Artistic style is one of the first things that are indirectly evaluated in maps
by almost every user. However, current literature offers no commonly agreed
upon definition of an artistic style nor does it differentiate between artistic styles.
This project work deals with the application of the machine learning methods,
specifically neural networks, for the identification of an artistic style of a map.
The assumption is that neural networks can contribute to a definition of a map
artistic style because neural networks were already successfully used to analyse
similarities in pattern of circular sections of cities from the Urban Atlas as
reported by Dobešová (2019). Until now, there is no similar study examining the
artistic style definition of the image data, to which the maps belong, let alone
using Orange software for study like this, an open-source software created at the
University of Ljubljana in Slovenia (Orange Data Mining, 2020). The reason for
that will probably be just the non-use of machine learning opportunities in this
area, because in other sectors like IT, natural sciences or technical sciences,
these tools are used widely. This work is therefore ground-breaking in many
respects and provides insight into the use of the possibilities of this software for
yet unrealized tasks in this area.
Klíčová slova
výtvarný styl, machine learning, ORANGE
Klíčová slova v angličtině
artistic style, machine learning, ORANGE
Rozsah průvodní práce
78
Jazyk
CZ
Anotace
Výtvarný styl je jednou z prvních věcí, které jsou v mapách nepřímo
hodnoceny téměř každým uživatel. Současná literatura však nenabízí žádnou
společně dohodnutou definici výtvarného stylu, ani nerozlišuje mezi jednotlivými
výtvarnými styly. Tato diplomová práce se zabývá možnostmi metod strojového
učení, konkrétně neuronových sítí, k identifikaci těchto stylů u tematických map.
Předpoklad pro práci je ten, že neuronové sítě mohou výrazně přispět k definici
výtvarných stylů map. Doposud sice neexistuje žádná podobná studie, která by
zkoumala definici výtvarného stylu obrazových dat, ke kterým mapy patří, natož
s použitím softwaru Orange. Důvodem bude pravděpodobně jen nevyužití
možností strojového učení v této oblasti, protože v jiných odvětvích, jako jsou IT,
přírodní vědy nebo technické vědy, jsou tyto nástroje široce používány.
Neuronové sítě z tohoto softwaru již byly nicméně úspěšně použity k analýze
podobnosti kruhových výřezů měst z Urban Atlasu (Dobešová 2019). Tato
diplomová práce je proto v mnoha ohledech průlomová a poskytuje náhled na
potenciál metod machine learning (konkrétně neuronových sítí) a využití softwaru
Orange k ještě nerealizovaným kartografickým úlohám.
Anotace v angličtině
Artistic style is one of the first things that are indirectly evaluated in maps
by almost every user. However, current literature offers no commonly agreed
upon definition of an artistic style nor does it differentiate between artistic styles.
This project work deals with the application of the machine learning methods,
specifically neural networks, for the identification of an artistic style of a map.
The assumption is that neural networks can contribute to a definition of a map
artistic style because neural networks were already successfully used to analyse
similarities in pattern of circular sections of cities from the Urban Atlas as
reported by Dobešová (2019). Until now, there is no similar study examining the
artistic style definition of the image data, to which the maps belong, let alone
using Orange software for study like this, an open-source software created at the
University of Ljubljana in Slovenia (Orange Data Mining, 2020). The reason for
that will probably be just the non-use of machine learning opportunities in this
area, because in other sectors like IT, natural sciences or technical sciences,
these tools are used widely. This work is therefore ground-breaking in many
respects and provides insight into the use of the possibilities of this software for
yet unrealized tasks in this area.
Klíčová slova
výtvarný styl, machine learning, ORANGE
Klíčová slova v angličtině
artistic style, machine learning, ORANGE
Zásady pro vypracování
Cílem diplomové práce je identifikovat výtvarné styly několika sad tematických map pomocí programu ORANGE využívající techniky machine learning. Student připraví alespoň tři sady tematických map (geologické, předpovědi počasí, turistické aj.) a zpracuje je především modulem Image Analyst programu ORANGE. Z dosažených výsledků z výtvarného srovnání provede interpretaci z pohledu výtvarného stylu. Následně student všechny mapy kartograficky popíše, provede predikci jejich klasifikace a interpretuje výsledky z kartografického pohledu. Shromážděná data a všechny mapy student přiloží k práci v digitální formě. Dále vyplní údaje o všech datových sadách, které vytvořil nebo získal při řešení cílů práce, do Metainformačního systému katedry geoinformatiky a současně zálohu údajů ve formě validovaného XML souboru. O diplomové práci student vytvoří webovou stránku v souladu s pravidly dostupnými na stránkách katedry a poster o diplomové práci ve formátu A2. Na závěr textu práce připojí student jednostránkové resumé v anglickém jazyce. Celou práci (text, přílohy, poster, výstupy, zdrojová a vytvořená data, XML soubor) odevzdá v digitální podobě na paměťovém médiu a text práce s vybranými přílohami ve dvou svázaných výtiscích na sekretariát katedry.
Zásady pro vypracování
Cílem diplomové práce je identifikovat výtvarné styly několika sad tematických map pomocí programu ORANGE využívající techniky machine learning. Student připraví alespoň tři sady tematických map (geologické, předpovědi počasí, turistické aj.) a zpracuje je především modulem Image Analyst programu ORANGE. Z dosažených výsledků z výtvarného srovnání provede interpretaci z pohledu výtvarného stylu. Následně student všechny mapy kartograficky popíše, provede predikci jejich klasifikace a interpretuje výsledky z kartografického pohledu. Shromážděná data a všechny mapy student přiloží k práci v digitální formě. Dále vyplní údaje o všech datových sadách, které vytvořil nebo získal při řešení cílů práce, do Metainformačního systému katedry geoinformatiky a současně zálohu údajů ve formě validovaného XML souboru. O diplomové práci student vytvoří webovou stránku v souladu s pravidly dostupnými na stránkách katedry a poster o diplomové práci ve formátu A2. Na závěr textu práce připojí student jednostránkové resumé v anglickém jazyce. Celou práci (text, přílohy, poster, výstupy, zdrojová a vytvořená data, XML soubor) odevzdá v digitální podobě na paměťovém médiu a text práce s vybranými přílohami ve dvou svázaných výtiscích na sekretariát katedry.
Seznam doporučené literatury
VOŽENÍLEK, V., KAŇOK, J., a kol.(2011): Metody tematické kartografie - Vizualizace prostorových jevů. Univerzita Palackého v Olomouci, 216 s. DEMŠAR, J. et al. (2013): Orange: data mining toolbox in Python. Journal of Machine Learning Research, 14 (1), s. 2349?2353. TOPLAK, T. et al. (2017): Infrared Orange: Connecting Hyperspectral Data with Machine Learning, Synchrotron Radiation News, 30(4), s. 40-45. https://orange.biolab.si/ kvalifikační práce studentů katedry geoinformatiky PřF UP z oblasti tematické kartografie a data mining
Seznam doporučené literatury
VOŽENÍLEK, V., KAŇOK, J., a kol.(2011): Metody tematické kartografie - Vizualizace prostorových jevů. Univerzita Palackého v Olomouci, 216 s. DEMŠAR, J. et al. (2013): Orange: data mining toolbox in Python. Journal of Machine Learning Research, 14 (1), s. 2349?2353. TOPLAK, T. et al. (2017): Infrared Orange: Connecting Hyperspectral Data with Machine Learning, Synchrotron Radiation News, 30(4), s. 40-45. https://orange.biolab.si/ kvalifikační práce studentů katedry geoinformatiky PřF UP z oblasti tematické kartografie a data mining
Přílohy volně vložené
1 CD, 1 poster
Přílohy vázané v práci
grafy, tabulky
Převzato z knihovny
Ano
Plný text práce
Přílohy
Posudek(y) oponenta
Hodnocení vedoucího
Záznam průběhu obhajoby
V úvodu obhajoby student seznámil komisi s cíli, metodami a výsledky své diplomové práce. Následně přednesli své posudky vedoucí práce a oponent. V diskusi byla řešena témata:
- možnost rozpoznání map dle vydavatelů
- způsob tvorby výřezů a vektorů