آموزش یادگیری ماشین در سنجش از دور :نگاهی به خودکارسازی سیستم ها(درک و استفاده از یادگیری ماشین و یادگیری عمیق برای وظایف مکانی (GIS و سنجش از دور) در QGIS و ArcGIS)
چیزی که یاد خواهید گرفت
-
اصول یادگیری ماشین و یادگیری ماشین در GIS را به طور کامل درک کنید
-
محبوب ترین ابزارهای نرم افزاری متن باز GIS و سنجش از راه دور (QGIS، SCP، جعبه ابزار OTB) را بیاموزید.
-
نرم افزار GIS پیشرو در بازار ArcGIS (ArcMap) و ArcGIS Pro را بیاموزید
-
با یادگیری نظارتی و بدون نظارت و کاربردهای آنها در GIS آشنا شوید
-
طبقه بندی تصاویر یادگیری ماشینی را در QGIS و ArcGIS اعمال کنید
-
تقسیم بندی و تجزیه و تحلیل تصویر مبتنی بر شی را در QGIS و ArcGIS اجرا کنید
-
یادگیری و اعمال مدل رگرسیون برای وظایف GIS
-
پیشرفت‌های اصلی در زمینه هوش مصنوعی، یادگیری عمیق و یادگیری ماشین را در GIS درک کنید
-
دو پروژه مستقل در زمینه یادگیری ماشینی و یادگیری عمیق را تکمیل کنید
-
اصول یادگیری عمیق را به عنوان بخشی از یادگیری ماشین درک کنید
-
استفاده از الگوریتم های یادگیری عمیق، مانند شبکه های عصبی کانولوشن، در GIS با ArcGIS Pro
الزامات
-
دانش اولیه دستکاری داده های مکانی (تصویر) یک مزیت خواهد بود اما الزامی نیست
-
این دوره با استفاده از نسخه QGIS رایانه شخصی ویندوز نشان داده خواهد شد. کاربران مک و لینوکس باید دستورالعمل ها را با سیستم عامل خود تطبیق دهند.
-
دسترسی به ArcGIS (نسخه Pro 2.5 و ArcMAp 10.6 یا بالاتر): نسخه آزمایشی رایگان موجود در وب سایت ESRI
شرح
این دوره به منظور تجهیز شما به دانش نظری و عملی یادگیری ماشین و یادگیری عمیق در QGIS و ArcGIS که برای تجزیه و تحلیل مکانی، یعنی سیستم‌های اطلاعات جغرافیایی (GIS) و سنجش از دور استفاده می‌شود، طراحی شده است. در پایان دوره، شما احساس اطمینان خواهید کرد و کاملاً کاربردهای ماشین و یادگیری عمیق در فناوری سنجش از دور و GIS و نحوه استفاده از الگوریتم‌های یادگیری عمیق ماشین و یادگیری عمیق برای کارهای مختلف سنجش از دور و GIS، مانند کاربری زمین و پوشش زمین را درک خواهید کرد. نقشه برداری (طبقه بندی) و تجزیه و تحلیل تصویر مبتنی بر شی (بخش بندی، تشخیص اشیا) و مدل سازی رگرسیون در نرم افزارهای QGIS و ArcGIS. این دوره همچنین شما را برای استفاده از GIS با ابزارهای متن باز و رایگان (QGIS) و یک نرم افزار پیشرو در بازار (ArcGIS) آماده می کند.
این دوره آموزشی طراحی شده است تا کاربرانی را که از QGIS و ArcGIS برای تجزیه و تحلیل داده‌های جغرافیایی پایه/GIS/Remote Sensing استفاده می‌کنند، به انجام کارهای پیشرفته‌تر تجزیه و تحلیل مکانی از جمله تجزیه و تحلیل تصویر مبتنی بر شی با استفاده از انواع داده‌های مختلف و استفاده از یادگیری عمیق و وضعیت یادگیری ماشینی ببرد. الگوریتم های هنری علاوه بر اینکه شما را در QGIS برای تجزیه و تحلیل داده های مکانی مهارت می دهد، با یک جعبه ابزار پردازش قدرتمند دیگر – Orfeo Toolbox و با قابلیت های هیجان انگیز ArcMap و ArcGIS PRO آشنا خواهید شد!
در این دوره، شما قادر خواهید بود از الگوریتم‌های یادگیری ماشینی مانند جنگل تصادفی، ماشین‌های بردار پشتیبان، درختان تصمیم، شبکه‌های عصبی کانولوشنال (و غیره) برای سنجش از راه دور و وظایف مکانی استفاده کنید. شما همچنین یاد خواهید گرفت که چگونه مدل سازی رگرسیون را برای وظایف GIS در ArcGIS انجام دهید. علاوه بر آن، با تکمیل دو پروژه مستقل GIS با کاوش در قدرت یادگیری ماشین و تحلیل یادگیری عمیق در QGIS و ArcGIS، GIS و سنجش از دور را تمرین خواهید کرد.
این دوره با سایر منابع آموزشی متفاوت است. هر سخنرانی به دنبال افزایش مهارت های GIS و سنجش از دور شما به شیوه ای قابل اثبات و آسان است و راه حل های عملی قابل اجرا را در اختیار شما قرار می دهد. شما می‌توانید با مهارت‌های پیشرفته GIS و سنجش از دور و دانش خود در مورد روش‌های مکانی پیشرفته، تجزیه و تحلیل داده‌های مکانی را برای پروژههای خود شروع کنید و از کارفرمایان آینده خود قدردانی کنید.
این دوره برای حرفه ای ها مانند جغرافیدانان، برنامه نویسان، دانشمندان علوم اجتماعی، زمین شناسان، کارشناسان GIS و سنجش از دور، و همه کارشناسان دیگری که نیاز به استفاده از نقشه ها در زمینه خود دارند و مایلند در مورد یادگیری ماشین در GIS بیشتر بیاموزند، ایده آل است.
یکی از بخش های مهم دوره، تمرینات عملی است. دستورالعمل ها و مجموعه داده های دقیقی برای ایجاد نقشه ها بر اساس الگوریتم های یادگیری ماشین با استفاده از ابزارهای نرم افزاری QGIS و ArcGIS به شما داده می شود.
این دوره برای چه کسانی است:
- این دوره برای حرفه ای ها مانند جغرافیدانان، برنامه نویسان، دانشمندان علوم اجتماعی، زمین شناسان و همه کارشناسان دیگری که نیاز به استفاده از نقشه ها در زمینه خود دارند و مایلند در مورد تجزیه و تحلیل جغرافیایی (GIS & Remote Sensing) اطلاعات بیشتری کسب کنند، ایده آل است.
سرفصل دوره آموزش یادگیری ماشین و سنجش از دور:
مقدمه ای بر سنجش از دور
کاربردهای GIS و سنجش از دور
نصب QGIS
پلاگین طبقه بندی نیمه خودکار برای QGIS
نصب پلاگین برای QGIS
مقدمه: یادگیری ماشینی
یادگیری نظارت شده و بدون نظارت (طبقه بندی) در GIS و سنجش از دور
آزمایشگاه: جمع آوری داده های تصویری در QGIS
الگوریتم های رایج طبقه بندی تصاویر
طبقه بندی پوشش زمین در ابر با استفاده از مرورگر EO
تجزیه و تحلیل رگرسیون
پیش بینی در GIS و یادگیری عمیق برای تجزیه و تحلیل داده های بزرگ
نرم افزار ArcGIS
تجزیه و تحلیل تصویر LULC بدون نظارت در ArcGIS
نصب پلاگین OTB برای QGIS
تجزیه و تحلیل تصویر بدون نظارت (K-means) در QGIS
مراحل طبقه بندی تحت نظارت LULC
آزمایشگاه: طبقه‌بندی تصاویر تحت نظارت با ماشین‌های بردار پشتیبانی در ArcGIS
آزمایشگاه: یادگیری تحت نظارت بر اساس الگوریتم حداکثر احتمال
ایجاد داده های آموزشی برای نقشه برداری LULC در QGIS
آزمایشگاه: LULC با استفاده از الگوریتم طبقه بندی حداقل فاصله
ارزیابی دقت نقشه در QGIS
آزمایشگاه: ایجاد داده های اعتبار سنجی
آزمایشگاه: ارزیابی دقت نقشه LULC در QGIS
طبقه بندی تصادفی جنگل نظارت شده تصویر Sentinel-2 در QGIS
مقایسه جنگل‌های تصادفی و درختان تصمیم‌گیر طبقه‌بندی‌کننده
آزمایشگاه: دانلود داده های تصویر برای تجزیه و تحلیل بخش بندی
Lad: انجام بخش بندی تصویر در ArcGIS
آزمایشگاه: تقسیم بندی تصاویر ماهواره ای در QGIS
طبقه‌بندی تصویر مبتنی بر شی (OBIA) در مقابل طبقه‌بندی تصویر مبتنی بر پیکسل
ایجاد داده های آموزشی برای طبقه بندی تصاویر مبتنی بر شی در ArcGIS
طبقه بندی تصویر مبتنی بر شی (OBIA) در ArcGIS
مدل رگرسیون: نظریه
مدلسازی OSL در GIS
مدلسازی OSL در ArcGIS
مدرس دوره :
دکتر سعید جوی زاده
09382252774
https://drugsoverthecounter.shop/# over the counter pill for yeast infection
I love it when people come together and share opinions, great blog, keep it up.
As soon as I detected this internet site I went on reddit to share some of the love with them.
An interesting dialogue is worth comment. I believe that it is best to write extra on this matter, it may not be a taboo subject but generally persons are not sufficient to talk on such topics. To the next. Cheers
It¦s actually a nice and useful piece of info. I¦m happy that you shared this helpful information with us. Please keep us up to date like this. Thank you for sharing.
Keep working ,great job!
Great website! I am loving it!! Will come back again. I am bookmarking your feeds also.
Very efficiently written information. It will be beneficial to anyone who utilizes it, as well as myself. Keep doing what you are doing – i will definitely read more posts.
I?¦ve been exploring for a little for any high-quality articles or blog posts on this sort of area . Exploring in Yahoo I ultimately stumbled upon this site. Studying this information So i am satisfied to show that I have an incredibly just right uncanny feeling I found out exactly what I needed. I such a lot unquestionably will make certain to do not overlook this website and give it a glance regularly.
I like this weblog so much, saved to fav.
I used to be more than happy to search out this net-site.I needed to thanks for your time for this wonderful read!! I positively enjoying each little bit of it and I’ve you bookmarked to take a look at new stuff you weblog post.
Pretty element of content. I just stumbled upon your blog and in accession capital to claim that I acquire actually loved account your blog posts. Any way I will be subscribing for your feeds or even I fulfillment you access constantly fast.
I think this is among the most vital info for me. And i am glad reading your article. But want to remark on some general things, The website style is wonderful, the articles is really excellent : D. Good job, cheers
I am now not positive where you’re getting your information, but great topic. I needs to spend a while finding out more or understanding more. Thank you for excellent info I was searching for this info for my mission.
But a smiling visitant here to share the love (:, btw great design.
This is very interesting, You’re a very skilled blogger. I’ve joined your rss feed and look forward to seeking more of your magnificent post. Also, I’ve shared your site in my social networks!
I have been checking out some of your articles and it’s nice stuff. I will make sure to bookmark your website.
I was just searching for this information for some time. After 6 hours of continuous Googleing, at last I got it in your website. I wonder what’s the lack of Google strategy that do not rank this type of informative sites in top of the list. Generally the top websites are full of garbage.
Very nice post. I just stumbled upon your weblog and wanted to say that I have really enjoyed surfing around your blog posts. After all I will be subscribing to your feed and I hope you write again soon!
Great post. I am facing a couple of these problems.
As a Newbie, I am permanently exploring online for articles that can be of assistance to me. Thank you
so much fantastic information on here, : D.