اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.
فیلم مسترکلاس علم داده یا Data Science برای متخصصین علوم زمین – سطح پیشرفته

پس از برگزاری دوره علم داده با برنامه نویسی R در سطح مقدماتی و متوسطه در بیش از 20 ساعت و استقبال متخصصین و دانشجویان از آن، اکنون فیلم های سطح پیشرفته نیز جهت تهیه آماده شده است.
در این آموزش به مباحث پیشرفته تر و جدیدتری پرداخته شده و اگر با تدریس دکتر علوی آشنا باشید مطالب ایشان عموما بیش از سرفصل های درنظر گرفته شده است و حتی با جلسات اضافه تری دوره را تکمیل تر می کنند. این آموزش برای متخصصین علوم زمین و رشته های محیط زیست و منابع طبیعی، علوم آب و خاک، کشاورزی، زمین شناسی و معدن، هوا و اقلیم، سنجش از دور و GIS و همه رشته های مرتبط مناسب است.
یکی از منابع بسیار ارزشمندی که در این دوره مورد استفاده قرار می گیرد کتاب زیر می باشد که نویسنده آن در این حوزه بسیار معروف است.
ویژگی های آموزش:
- مدرس: سید جلیل علوی
- تخصص: اکولوژی آماری
- موضوع: آموزش تحلیل داده ها و ترسیم نمودارها در نرم افزار R
- نرم افزار: نرم افزار و زبان برنامه نویسی R
- مخاطب: تمام حوزه های علوم زمین
- مدت آموزش: بیش از 20 ساعت
- شامل کدهای مورد استفاده
- فرمت: ویدئوهای آموزشی
- پیش نیاز: علم داده سطح مقدماتی و متوسطه
چطور تهیه کنم؟
برای تهیه فیلم های ضبط شده این دوره بر روی دکمه زیر کلیک کنید:
بخشی از تدریس مدرس
معرفی مدرس
- سید جلیل علوی
- دانشیار و عضو هیات علمی دانشگاه تربیت مدرس
- سابقه تدریس نرم افزار و زبان برنامه نویسی R بیش از یک دهه
عناوین آموزشی
عناوین آموزشی به شرح زیر می باشد:
- نحوه کد نویسی در RStudio و اجرای فرامین و دستورات
- بسته ها و چگونگی نصب آن ها از مخازن CRAN، GitHub و غیره
- وارد سازی داده ها (Reading / Importing) به R از منابع مختلف و نوشتن داده ها (Writing / Exporting) به فرمت های مختلف
- آموزش بسته tidyverse
- آموزش بسته officer (وارد سازی محتویات و خروجی های R به office نظیر word و PowerPoint)
- مقدمه ای بر Data Wrangling در R
- مدیریت پیشرفته داده در R
- پردازش داده های رشته ای (String Processing)
- شناسایی اعداد مفقود و پرت و جایگزینی و انتساب (Imputation) آن ها
- بصری سازی پیشرفته (Advanced Visualization) با استفاده از بسته ggplot2
- الگوریتم های یادگیری نظارت شده و نظارت نشده
- مقدمه ای بر یادگیری ماشین (رگرسیون و طبقه بندی)
- تکنیک های اعتبارسنجی
- آموزش بسته های caret و tidymodels در حوزه یادگیری ماشین
- تحلیل خوشه ای
- سری های زمانی
- یادگیری عمیق
- آموزش Text Mining در R
- گزارش نویسی پیشرفته با R Markdown
کاربرد علم داده در علوم زمین
علم داده به عنوان یکی از رشتههای مهم و نوظهور در علوم کامپیوتری و علوم زمین، در مطالعه و تجزیه و تحلیل دادههای زمینشناسی و علوم مرتبط با زمین، کاربردهای متعددی دارد. در زیر به برخی از کاربردهای آن در علوم زمین اشاره میشود:
-
پیشبینی زمینلرزهها: با تجمیع دادههای مربوط به فعالیتهای زمینشناسی، مشاهدههای لرزهنگاری، و شبکههای حسگرهای زمینی، میتوان از روشهای یادگیری ماشینی برای پیشبینی و تحلیل زمینلرزهها استفاده کرد.
- مدیریت منابع آب: تجزیه و تحلیل دادههای مرتبط با منابع آبی مانند دادههای بارش، دبی رودخانهها، و تراز آبهای زیرزمینی با استفاده از تکنیکهای دادهکاوی و یادگیری ماشینی، به مدیران منابع آب کمک میکند تا بهبود در مدیریت و تخصیص منابع آبی داشته باشند.
- مدلسازی آب و هوا: در مطالعات زمینشناسی و آب و هواشناسی، مدلسازی دقیق آب و هوا و تغییرات آن از اهمیت بسیاری برخوردار است. دادههای جمعآوری شده از ایستگاههای متراکم سنجش از دور و دیگر منابع داده، میتوانند با استفاده از تکنیکهای مدلسازی مانند شبکههای عصبی مصنوعی به مدلهای آب و هوا پیچیدهتر و دقیقتری منجر شوند.
- اکتشاف معدنی: دادههای جمعآوری شده از حفاریها، نمونهبرداریها، و تصاویر ماهوارهای میتوانند برای تحلیل ساختار زمین و مکانیابی منابع معدنی مفید باشند. متخصصان علوم زمین با استفاده از الگوریتمهای یادگیری ماشینی و دادهکاوی میتوانند به تشخیص مواد معدنی و رخدادهای زمینشناسی کمک کنند.
- مدیریت بحران و پیشبینی آسیبهای طبیعی: از دادههای سنجش از دور، دادههای لرزهنگاری، و دادههای جوی میتوان برای پیشبینی و مدیریت بحرانهای طبیعی مانند سیل، رانش زمین، و آتشفشانها استفاده کرد.
- مطالعات زمینشناسی محیطی: در مطالعات محیطی، دادههای جمعآوری شده از مانیتورینگ زمین، اکوسیستمها، و تغییرات محیطی میتوانند با تحلیل دادههای زمینشناسی و ایجاد مدلهای پیشبینی به تفهیم بهتر فرآیندهای محیطی کمک کنند.
-
کاوش و تفسیر دادههای جغرافیایی: با استفاده از دادههای جغرافیایی مانند نقشهها، تصاویر ماهوارهای، و اطلاعات مکانی، میتوان اطلاعات مفیدی در مورد تغییرات زمینشناسی و زیستمحیطی جمعآوری و تفسیر کرد.
این فقط چند نمونه از کاربردهای علم داده در علوم زمین هستند. با توجه به تکامل روزافزون تکنولوژی و افزایش دسترسی به دادههای زمینشناسی، کاربردهای دادههای علمی در این حوزه به طور مداوم در حال گسترش هستند
مخاطبان
مخاطبان حوزه علم داده یا Data Science، کسانی هستند که به استخراج دانش و بینش از دادهها، استفاده از داده ها و اطلاعات برای حل مسائل، کشف الگوها، پیش بینی رویدادها، تصمیم گیری های تجاری و ساخت محصولات داده محور علاقمند هستند. این مخاطبان می توانند از زمینه های مختلف علمی و کاری باشند که به دنبال راهحلهای داده محور برای حل مسائل و بهبود عملکرد سازمانها هستند که برخی از آنها عبارتند از دانشجویان و فارغ التحصیلان رشته های فنی مهندسی، مدیریت و علوم پایه که می خواهند به حوزه علم داده وارد شوند یا در آن پیشرفت کنند.
اعضای تیم داده و هوش تجاری شاغل در استارتاپ ها، سازمان ها و کسب و کارهای مختلف که نیاز به بهبود مهارت های خود در جمع آوری، پردازش، تحلیل و بصری سازی داده ها دارند. علاقمندان به حوزه های یادگیری ماشین (Machine Learning) و یادگیری عمیق (Deep Learning) که می خواهند با استفاده از الگوریتم های پیچیده و روش های نوین، داده ها را به مدل های پیش بینی تبدیل کنند. تحلیلگران، مدیران، تصمیم گیرندگان و ذی نفعان کسب و کار که می خواهند با استفاده از دیدگاه علم داده، استراتژی های خود را بهینه سازند و نتایج بهتری را از فعالیت خود بگیرند.
در این آموزش، سعی ما بر این بود تا با ساده ترین زبان، مطالب به گونه ای ارائه شود که حتی بدون داشتن پیش زمینه قبلی، به زبان بسیار قدرتمند R در حوزه علم داده به اندازه ای مسلط گردید تا بتوانید هر پروژه ای را در این زبان برنامه نویسی پیاده سازی نمایید.
چطور تهیه کنم؟
برای تهیه فیلم های ضبط شده این دوره بر روی دکمه زیر کلیک کنید: