دوره جامع آموزش تهیه نقشه نوع محصول با استفاده از روش های یادگیری ماشین و زبان برنامه نویسی R

دوره جامع تهیه نقشه نوع محصول با استفاده از روش های یادگیری ماشین و زبان برنامه نویسی R اولین دوره در سطح کشور که به صورت کاملا پیشرفته به تهیه نقشه نوع محصول به صورت سری زمانی و با استفاده از تصاویر Sentinel-2 پرداخته است.

در این دوره مطالب بسیار ارزشمندی چه در زمینه برنامه نویسی و چه در زمینه سنجش از دور توضیح داده شده که به طور یقین کمتر جایی به این موارد پرداخته شده است. در این دوره به صورت کاملا پیشرفته و با بیانی ساده به تهیه نقشه نوع محصول پرداخته شده است که مخاطبان بعد از سپری کردن این دوره علاوه بر افزایش قدرت برنامه نویسی خود می توانند در زمینه سنجش از دور کشاورزی و همچنین مسلط شدن به مدل های یادگیری ماشین نیز پیشرفت قابل توجهی داشته باشند.

این دوره به صورت بسیار جامع طراحی شده بدون نیاز به پیش نیاز قبلی از زبان برنامه نویسی R.

در این دوره مدل های مطرح یادگیری ماشین ماشین مثل الگوریتم Support vector machine و همچنین Random forest و مدل یادگیری نظارت نشده K-Means به صورت مفصل شرح داده شده است به طوری که کاربر بعد از گذراندن دوره مسلط به این مدل ها خواهد شد.

ویژگی های آموزش

• مدرس: هادی امامی
• تخصص: کارشناس سنجش از دور و برنامه نویس در زمینه پردازش تصاویر ماهواره ای
• موضوع: تهیه نقشه نوع محصول به روش پیشرفته
• نرم افزار : Jupyter Notebook , R
• مدت زمان آموزش: 10 ساعت
• فرمت آموزش: ویدئوی MP4
• داده تمرینی: دارد
• مخاطب: علاقه مندان سنجش از دور کشاورزی
• پیش نیاز: آشنایی مقدماتی با R

تهیه آموزش:

جهت تهیه این آموزش بر روی دکمه زیر کلیک کنید:

ویدئوی معرفی آموزش

معرفی مدرس

• هادی امامی
• کارشناس سنجش از دور و تخصص در زمینه برنامه نویسی Python  و R
• دارنده مدرک کارشناسی ارشد سنجش از دور از دانشگاه بهشتی
• دارنده مدرک علوم کامپیوتر از دانشگاه هاروارد آمریکا
• نخستین مدرس تخصصی آموزش های برنامه نویسی در سنجش از دور
• طراح و مدرس بیش از ۲۰ آموزش تخصصی سنجش از دور
• برگزارکننده ده ها کارگاه آموزشی تخصصی در زمینه سنجش از دور
• مشاور شرکت های مختلف در زمینه سنجش از دور
• محقق در زمینه هوش مصنوعی و روش های یادگیری عمیق

عناوین آموزشی

• مقدمه و توضیحات کلی
• آشنایی با انواع پکیج های مورد استفاده
• آموزش نصب R, RTools, RStudio
• آموزش نصب Python, Pip, Jupyter Notebook
• طراحی تابع برای نصب و فراخوانی خودکار پکیج های مورد استفاده
• آماده سازی محیط کاری
• تنظیمات بصری سازی داده ها
• فراخوانی داده های وکتوری
• فراخوانی تصاویر اورجینال سنتینل 2 به صورت حرفه ای
• ایجاد توابع جهت گرفتن ورودی های مختلف از کاربر
• نوشتن تابع با هدف انتخاب باندهای مورد نیاز کاربر
• نوشتن تابع با هدف برش تمامی باندها از محدوده مورد مطالعه
• نوشتن تابع جهت Resample کردن داده ها، تبدیل 20 متر به 10 متر
• Layer Stacking داده های سری زمانی در یک دیتاست
• بصری سازی و نمایش تصاویر فراخوانی شده با متدهای مختلف

• ایجاد Seed با هدف طبقه بندی نظارت نشده
• اجرای الگوریتم Kmeans با هدف طبقه بندی داده ها
• اجرای الگوریتم Within cluster sum of squares by cluster
• تحلیل روش نظارت نشده با مولفه هایی همچون ، cluster, centers, totss, whitinss, tot.whitinss, betwinss و …
• طبقه بندی و بصری سازی نتایج طبقه بندی با روش K-means
• ذخیره سازی تصویر طبقه بندی شده
• یافتن تعداد خوشه مناسب با الگوریتم WSS

• نمایش و بصری سازی داده های وکتوری
• انتخاب فیلدهای مناسب جهت اعمال طبقه بندی
• تبدیل ساختار داده ها از String به Integer
• تبدیل داده های وکتوری و شیپ فایل به داده های رستری
• تبدیل داده های رستری به دیتافریم ها
• اختصاص کلاس به هریک از ستون های دیتافریم
• استخراج اطلاعات تصاویر سنتینل 2 جهت ادغام با شیپ فایل ها

• حذف مقادیر اضافه از دیتافریم
• ساخت هسته های موازی جهت انجام پردازش های موازی
• ساخت تابع جهت پیدا کردن بهترین پارامترها برای اجرای مدل SVM
• ساخت مدل Support Vector Machine با بهترین پارامترها
• پیش بینی محصول با طبقه بندی کل محدوده مورد مطالعه
• نحوه تنظیم بهترین مقدار برای پارامتر gamma  و Cost
• ساخت کلاس برای مدل طبقه بندی شده
• اضافه کردن کلاس ها به نقشه نوع محصول
• بصری سازی و پلات طبقه بندی نهایی
• ارزیابی دقت برای پیش بینی با استفاده از مدل یادگیری ماشین
• محاسبه confusionMatrix برای ارزیابی دقت
• محاسبه ضریب کاپا برای ارزیابی دقت
• محاسبه دقت کلی برای ارزیابی دقت

• ساخت مدل جنگل تصادفی با بهترین تعداد درخت
• پیش بینی محصول با استفاده از مدل جنگل تصادفی
• ذخیره سازی داده های طبقه بندی شده
• ارزیابی دقت برای پیش بینی با استفاده از مدل یادگیری ماشین
• محاسبه confusionMatrix برای ارزیابی دقت
• محاسبه ضریب کاپا برای ارزیابی دقت
• محاسبه دقت کلی برای ارزیابی دقت

کاربرد

این محصول در زمینه پیش بینی نوع محصول با استفاده از روش های یادگیری ماشین به صورت سری زمانی طراحی شده است و طبیعتا کاربردهای بسیار متنوعی را دارد. این محصول برای کسانی که می خواهند با روش های یادگیری ماشین در زمینه سنجش از دور کار کنند بسیار مفید بوده همچنین برای مخاطبانی که به دنبال کار با داده های سری زمانی نیز می باشند بسیار مفید می باشد. در زمینه برنامه نویسی R نیز به صورت پیشرفته در این محصول کار شده است به طوری که می تواند قدرت برنامه نویسی مخاطب را افزایش دهد.

همچنین در زمینه سنجش از دور کشاورزی بسیار بسیار مفید می باشد چرا که در این محصول هم روش های یادگیری ماشین در زمینه کشاورزی شرح داده شده است و هم به صورت سری زمانی با داده های کشاورزی کار شده است و در زمینه مطالعاتی همچون:

• مباحث امنیت غذایی
• تهیه نقشه نوع کشت
• تهیه نقشه نوع محصول
• کشاورزی دقیق
• خشکسالی
• طبقه بندی پوشش گیاهی
• طبقه بندی پوشش زمین

می تواند کاربرد داشته باشد.

تهیه آموزش:

جهت تهیه این آموزش بر روی دکمه زیر کلیک کنید:

دیگر آموزش ها با تدریس مهندس امامی:

آموزش های دیگر ایشان را می توانید از لینک های زیر ببینید:

• آموزش جامع پردازش داده های مکانی و تصاویر ماهواره ای با برنامه نویسی R
• آموزش طبقه بندی تصاویر ماهواره ای با روش های یادگیری ماشین با Python
• محاسبه دمای سطح زمین به صورت حرفه ای با برنامه نویسی Python و R
• آموزش پردازش تصاویر ماهواره ای در پایتون – اولین و کامل ترین پکیج در ایران