آموزش جامع شبکه‌ عصبی با گوگل ارث انجین

  • مدرس: دکتر محمد کاکوئی
  • تخصص: برنامه نویسی، پردازش تصویر، هوش مصنوعی و سنجش از دور
  • موضوع: شبکه‌ عصبی (انتقال داده، آموزش و ارزیابی مدل، تولید و نمایش نقشه نهایی)
  • سامانه های مورد استفاده: گوگل کولب (Colab) و گوگل ارث انجین (GEE)
  • فرمت آموزش: ویدئوهای آموزشی MP4
  • فایل تمرینی: دارد
  • پاورپوینت: دارد
  • طول آموزش: حدودا 7 ساعت
  • پیش نیاز: ندارد- آشنایی مقدماتی با پایتون توصیه می شود

850,000 تومان

0 افرادی که اکنون این محصول را تماشا می کنند!
 بالاترین کیفیت
عدم محدودیت زمانی
 مناسبترین قیمت
 خرید و دانلود آنی
خرید با کارت عضو شتاب

در دنیای امروز، داده‌های ماهواره‌ای نقش حیاتی در تحلیل و مدیریت محیط‌زیست، کشاورزی، شهرسازی، و بسیاری از حوزه‌های دیگر ایفا می‌کنند. از سوی دیگر، شبکه‌های عصبی ابزاری قدرتمند برای پردازش و تحلیل این داده‌ها ارائه می‌دهند. اما چالش اصلی، انتقال و آماده‌سازی این داده‌ها برای مدل‌سازی و تحلیل است. محصول آموزشی ما، ترکیبی از انتقال داده‌های ماهواره‌ای از Google Earth Engine (GEE) و آموزش شبکه‌های عصبی در محیط Google Colab، راهکاری جامع برای این چالش‌ها ارائه می‌دهد.

شکل1: نمایش کلی از ساختار آموزش

ویژگی‌های کلیدی محصول شامل آموزش گام‌به‌گام و کاربردی برای انتقال داده‌ها و طراحی شبکه‌های عصبی, بررسی کاربردهای رگرسیون و طبقه بندی در شبکه‌های عصبی و تولید نقشه‌های خروجی دقیق برای تحلیل مناطق هدف است.

این محصول برای محققان و متخصصانی که نیاز به تحلیل داده‌های ماهواره‌ای دارند, مناسب است و رویکرد عملی و قابل استفاده برای پروژه‌های واقعی دارد. استفاده از بستر فراهم شده در این آموزش موجب صرفه‌جویی در زمان و ساده کردن روند طراحی پیشرفته در پروژه عملی است.

ویدئوی معرفی دوره توسط مدرس را در زیر ببینید:


توضیحات محصول:

این محصول آموزشی جامع شامل هفت بخش می‌باشد که به‌منظور انتقال دانش و مهارت‌های عملی در زمینه دسترسی به داده‌های Google Earth Engine و آموزش شبکه‌های عصبی در محیط Google Colab طراحی شده است. این دوره به شما این امکان را می‌دهد که به‌صورت گام‌به‌گام با فرآیندهای مختلف آشنا شده و مهارت‌های لازم برای کار با داده‌های ماهواره‌ای و مدل‌سازی شبکه عصبی را به‌دست آورید.

ساختار بخش های آموزشی

قسمت اول به آشنایی با شبکه‌های عصبی و مفاهیم پایه‌ای مرتبط با آن اختصاص دارد. در این قسمت، شما با نحوه عملکرد شبکه‌های عصبی و اصول نظری لازم برای درک آن‌ها آشنا خواهید شد. مباحث کلیدی شامل تابع هزینه (Loss Function)، فرآیند آموزش (Training) و مکانیزم Backpropagation بررسی می‌شود. برای تسهیل درک این مکانیزم‌ها، از یک تابع خطی به‌عنوان مثال استفاده می‌کنیم و با به کارگیری مفاهیم ساده، موضوعات پیچیده را به‌طور واضح و قابل فهم توضیح می‌دهیم. هدف این جلسه ایجاد یک پایه قوی برای درک بهتر مفاهیم پیشرفته‌تر در زمینه شبکه‌های عصبی است.

در این آموزش، برای نمایندگی از مسائل رگرسیون و طبقه‌بندی، از دو مثال کاربردی استفاده می‌شود که شامل تخمین ارتفاع ساختمان و طبقه‌بندی پوشش اراضی است. این انتخاب به ما این امکان را می‌دهد که دامنه وسیعی از مسائل مرتبط با سنجش از دور را تحت پوشش قرار دهیم. با بررسی این دو موضوع، شرکت‌کنندگان می‌توانند با مفاهیم کلیدی در تحلیل داده‌های ماهواره ای و کاربردهای عملی آن‌ها در دنیای واقعی آشنا شوند و مهارت‌های لازم برای حل مسائل مشابه را به‌دست آورند.

قسمت های دوم و سوم به آموزش نحوه نمونه‌برداری و انتقال داده‌های ماهواره‌ای از Google Earth Engine به Google Drive  اختصاص دارد. در این قسمت ها، چالش‌های مرتبط با این فرآیند، از جمله مدیریت حجم بالای داده‌ها و نحوه بهینه‌سازی انتقال آن‌ها بررسی می‌شود. برای نمایش داده‌ها و تحلیل آن‌ها، از کتابخانه‌های Geemap  و Folium بهره خواهیم برد.

برای انتقال داده‌ها، از دو استراتژی متفاوت استفاده می‌شود. در مثال تخمین ارتفاع ساختمان، از اپلیکیشن موجود در GEE برای نمونه‌برداری و Export داده‌های Sentinel-1 بهره می‌بریم. اما در مثال طبقه‌بندی اراضی که شامل داده‌های Landsat-8 می‌شود، به دلیل حجم بزرگ داده‌ها، امکان استفاده مستقیم از اپلیکیشن موجود در GEE وجود ندارد. بنابراین، در این مورد، از روش دیگری استفاده می‌شود و داده‌ها مستقیماً از تصاویر موجود در GEE نمونه‌برداری می‌شوند. این فرآیند به شما کمک می‌کند تا با روش‌های عملی و کاربردی مدیریت و انتقال داده‌های ماهواره‌ای آشنا شوید.

شکل2: نمونه های ارتفاع ساختمان در شهرهای ایران

قسمت های چهارم و پنجم به آموزش طراحی و استفاده از شبکه‌های عصبی برای دو کاربرد اصلی در شبکه های عصبی دارد که شامل پیش‌بینی مقادیر پیوسته (رگرسیون) و طبقه‌بندی دسته‌ها (طبقه‌بندی). در این بخش، فرآیند طراحی، آموزش، و تنظیم شبکه‌های عصبی برای هر یک از این مسائل به‌طور دقیق مورد بررسی قرار می‌گیرد.

در این بخش، یک شبکه عصبی برای پیش‌بینی مقادیر پیوسته طراحی و آموزش داده می‌شود. برای این منظور، داده‌ها به سه مجموعه Train، Validation و Test تقسیم می‌شوند. نحوه انجام این تقسیم‌بندی وابسته به نوع مسئله و نیازمندی‌های پیش‌بینی است. استراتژی‌های مختلف برای بهبود دقت و عملکرد مدل معرفی شده و نحوه تنظیم بهینه شبکه توضیح داده می‌شود.

برای مسئله طبقه‌بندی، مانند دسته‌بندی پوشش زمین، طراحی شبکه عصبی بر اساس الزامات خاص این نوع مسائل صورت می‌گیرد. به‌عنوان مثال از نمایش One-Hot برای داده‌های هدف استفاده شده است. همچنین؛ بررسی تکنیک‌های طبقه‌بندی وزن دار (Weighted Classification) برای مدیریت داده‌های نامتوازن بین کلاس‌ها، که یکی از چالش‌های رایج در مسائل سنجش از دور است.

شکل3: توزیع هیستوگرام نمونه های مختلف در کلاس های مختلف طبقه بندی پوشش زمین

این بخش همچنین به مقایسه شباهت‌ها و تفاوت‌های طراحی و تنظیم شبکه عصبی برای مسائل رگرسیون و طبقه‌بندی می‌پردازد. چندین نوع معماری شبکه طراحی و تحلیل می‌شود تا تفاوت‌ها در ساختار و عملکرد آن‌ها به‌وضوح مشخص شود. این جلسات به شما مهارت لازم برای تنظیم و استفاده از شبکه‌های عصبی برای مسائل متنوع سنجش از دور را می‌دهد، از جمله مدیریت داده‌های نامتوازن و بهبود کارایی مدل‌ها برای کاربردهای واقعی.

قسمت های ششم و هفتم به تولید نقشه‌های خروجی بر اساس مدل‌های آموزش‌دیده اختصاص دارد. در این جلسات، فرآیند کامل استفاده از مدل‌های شبکه عصبی برای پردازش داده‌های مکانی و تولید نقشه‌های نهایی مورد بررسی قرار می‌گیرد.

مراحل اصلی این قسمت ها شامل انتقال داده‌های منطقه مورد نظر است. در اینجا ابتدا تصویر منطقه هدف از Google Earth Engine (GEE) به Google Drive منتقل می‌شود. این داده‌ها شامل اطلاعات خام مورد نیاز برای پیش‌بینی و تولید نقشه خروجی هستند.

سپس از مدل‌های آموزش‌دیده استفاده می کنیم. مدل‌های شبکه عصبی که در جلسات قبلی آموزش داده شده‌اند، برای پردازش داده‌های منطقه هدف به کار گرفته می‌شوند. پیش‌بینی بر اساس ورودی‌های داده جدید انجام می‌شود و خروجی به‌صورت نقشه‌ای از مقادیر پیش‌بینی شده ارائه می‌گردد.

شکل4: نمایش تصویر ورودی و خروجی پیش بینی شده

در نهایت، نقشه‌های پیش‌بینی شده در قالب GeoTIFF ذخیره می‌شوند. این فرمت امکان استفاده از نقشه‌ها در نرم افزارهای مختلف GIS را فراهم می‌کند. این نقشه‌ها برای تحلیل‌های بیشتر در پروژه‌های کاربردی، مانند مدیریت محیط زیست، کشاورزی یا برنامه‌ریزی شهری قابل استفاده هستند.

این جلسات بر پیاده‌سازی عملی و تولید نتایج قابل استفاده در دنیای واقعی تمرکز دارند و به شما کمک می‌کنند تا مهارت‌های عملی در تولید نقشه‌های مکانی و استفاده از مدل‌های شبکه های عصبی را به‌دست آورید.

دیدگاهها

  1. محمدمهدی معیری

    عالی بود. کاملا به روز و مطابق نیاز همه رشته های علوم زمین.

    0
    0
  2. Maryam

    سلام وقت بخیر
    ایا این آموزش قادر به شناسایی ساخت و ساز است؟
    ممنون میشم راهنمایی کنید یا اگر اموزشی در این زمینه دارید ارسال کنید
    باتشکر

    0
    0
    • Mohammad Kakooei

      سلام
      این آموزش جنبه عمومی دارد و به کاربرد خاصی تمرکز ندارد.
      مثال های تخمین ارتفاع ساختمان و طبقه‌بندی پوشش اراضی به عنوان نمونه ای از مسائل رگرسیون و طبقه‌بندی استفاده میشود تا قابل اعمال به گستره ی وسیعی از مسائل باشد.

      در موضوع مورد نظر شما مثلا آموزش و مقاله زیر به علاوه همین آموزش میتواند به شما کمک کند.

      مستر کلاس آموزش گوگل ارث انجین در علوم و مطالعات شهری https://girs.ir/gee-urban-mapping

      Mapping Building Heights at Large Scales Using Sentinel-1 Radar Imagery and Nighttime Light Data
      https://www.mdpi.com/2072-4292/16/18/3371

      موفق باشید

  3. Maryam

    سلام خیلی ممنون ازشما . من برای شناسایی ساخت وساز نیاز به تلفیق رادار واپتیک و همچین ترکیب رادار و سنتینل دو در این زمینه اموزشی یا راهنمایی میکنید ممنون میشم.

    0
    0
    • Mohammad Kakooei

      سلام

      علاوه بر منابع قبلی، از مقاله زیر نیز میتوانید استفاده کنید که از ترکیب سنتینل-1 و سنتینل-2 برای تولید ارتفاع ساختمان استفاده شده است.

      Spatial-Temporal analysis of urban environmental variables using building height features
      https://www.sciencedirect.com/science/article/abs/pii/S2212095523003309

      موفق باشید

  4. Maryam

    خیلی ممنونم. ولی در مقاله صفر تاصد و اموزش انجام کار و نمیدن . اموزش یا کد برای ترکیب یا فیوژن رادار وسنتینل میخاستم

    0
    0
  5. مهدی

    سلام وقت شما بخیر
    از چه کتابخانه ایی در محیط کولب برای بحث یادگیری عمیق استفاده شده است؟

    0
    0
    • Mohammad Kakooei

      سلام و وقت بخیر،
      این آموزش مربوط به شبکه عصبی است، نه یادگیری عمیق!
      در اینجا از کتابخانه keras و tensorflow استفاده شده است.

دیدگاه خود را بنویسید

نشانی ایمیل شما منتشر نخواهد شد. بخش‌های موردنیاز علامت‌گذاری شده‌اند *

 آموزش هــای رایــگان