آموزش تخمین محصول با استفاده از روش های یادگیری ماشین – برای اولین بار

دوره جامع تخمین محصول با استفاده از روش های یادگیری ماشین، برای اولین بار به صورت بسیار جامع به بررسی روش های یادگیری ماشین در تخمین محصول پرداخته است. در این دوره روش های مختلف و مطرح در زمینه یادگیری ماشین با هدف تخمین محصولات مختلف پوشش گیاهی بررسی شده است و تفاوت ها و شباهت های هریک از روش ها با یکدیگر بررسی شده است.

همچنین این دوره به دو بخش مجزا تقسیم شده است که بخش اول به صورت جامع به بررسی تئوری یادگیری ماشین و روش های مورد استفاده پرداخته و در بخش دوم به پیاده سازی هر یک از روش ها با هدف تخمین محصول در محیط زبان برنامه نویسی پایتون پرداخته شده است.

در این آموزش از یک دیتاست بسیار معتبر و جامع که شامل انواع مختلف محصولات کشاورزی می باشد استفاده شده است و همچنین از 5 روش مطرح در زمینه یادگیری ماشین استفاده شده است که در بخش سرفصل ها میتوانید مشاهده کنید.این اولین دوره در زمینه سنجش از دور و کشاورزی می باشد که به صورت بسیار تخصصی به بررسی تخمین محصول و برآورد میزان برداشت محصول پرداخته است.

این دوره برای کسانی که میخواهند مهارت های برنامه نویسی خوده را در زمینه پایتون و یادگیری ماشین افزایش دهند نیز بسیار موثر است زیرا از اکثر روش های آماری و همچنین ساخت نمودار و چارت های گرافیکی استفاده شده است که می تواند بسیار موثر باشد.

ویژگی های آموزش

• مدرس: هادی امامی
• تخصص: کارشناس سنجش از دور و برنامه نویس در زمینه پردازش تصاویر ماهواره ای
• موضوع: تخمین میزان برداشت محصولات کشاورزی با روش های یادگیری ماشین
• زبان برنامه نویسی مورد استفاده : پایتون
• مدت زمان آموزش: 11 ساعت
• فرمت آموزش: ویدئوهای به فرمت MP4
• داده تمرینی: دارد
• مخاطب: علاقه مندان سنجش از دور
• پیش نیاز: آشنایی مقدماتی با Python

چطور آموزش را تهیه کنم؟

برای تهیه بر روی دکمه زیر کلیک کنید. پس از پرداخت، بلافاصله به فایل های آموزشی دسترسی دارید و به ایمیلتان نیز ارسال می گردد.

ویدئوی معرفی دوره:

مدرس این دوره کیست؟

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

قسمت اول : تئوری

بخش اول : تئوری  یادگیری ماشین

• مقدمه ای بر یادگیری ماشین
• مفهوم ماشین و یادگیری
• مفهوم سری زمانی در سنجش از دور
• نحوه عملکرد تخمین محصول با سنجش از دور (تشریح کامل)
• مفهوم نورون در هوش مصنوعی و یادگیری ماشین
• مفهوم دندریت، آکسون،سیناپس و هسته در هوش طبیعی
• تفاوت برنامه نویسی سنتی با مدرن
• مسیر حرفه ای یادگیری ماشین
• هوش مصنوعی – یادگیری ماشین – یادگیری عمیق

بخش دوم : یادگیری ماشین (تئوری جامع)

• تشریح کامل نحوه عملکرد یادگیری ماشین
• یک مثال جامع از یادگیری ماشین برای درک بهتر
• نحوه انتخاب مدل مناسب برای رفع مشکل
• انتخاب مدل بر اساس ماهیت داده ورودی
• انتخاب مدل بر اساس ماهیت مشکل موجود
• انتخاب مدل بر اساس الگوریتم
• انتخاب مدل مناسب بر اساس داده ی خروجی
• تشریح کامل روش های نظارت شده در یادگیری ماشین
• تشریح کامل روش های نظارت نشده در یادگیری ماشین
• تشریح کامل روش های یادگیری تقویتی
• تشریح کامل روش های یادگیری نیمه نظارتی در یادگیری ماشین

بخش سوم : رگرسیون و طبقه بندی در یادگیری ماشین

• مفهوم طبقه بندی و کلاسه بندی در یادگیری ماشین
• مفهوم رگرسیون در یادگیری ماشین
• مفهوم خوشه بندی در یادگیری ماشین
• مفهوم شبکه های عصبی در یادگیری ماشین
• تئوری مقدماتی یادگیری عمیق

بخش چهارم : رگرسیون خطی

• مفهوم متغییر مستقل و وابسته در رگرسیون
• تشریح کامل نحوه کارکرد رگرسیون خطی به صورت ریاضیاتی
• تشریح نحوه کارکرد رگرسیون خطی به صورت فلوچارت و الگوریتم
• توضیح کامل انواع روش های رگرسیون خطی در یادگیری ماشین
• تاثیر داده های پرت در مدل های یادگیری ماشین
• نحوه محاسبه خطا در رگرسیون خطی
• نحوه وزن دهی مقادیر در رگرسیون خطی

بخش پنجم (عملی) : درخت تصمیم گیری (Decision tree)

• مفهوم درخت تصمیم در یادگیری ماشین
• مفهوم Root در درخت تصمیم
• مفهوم Split در درخت تصمیم
• مفهوم Edge در درخت تصمیم
• مفهوم Parent & Child در درخت تصمیم
• مفهوم Sibling در درخت تصمیم
• مفهوم Leaf Node & Subtree در درخت تصمیم
• حل یک مثال جامع با هدف آشنایی کامل با درخت تصمیم
• مفهوم Entropy در درخت تصمیم گیری
• مفهوم Information Gain در درخت تصمیم
• آشنایی با انواع روش های درخت تصمیم به صورت کامل (ID3 – C4.5 – C5 – CART)
• مفهوم Gini Index در درخت تصمیم گیری

بخش ششم: Gradient Boosting

• تشریح الگوریتم گرادیان افزایشی در یادگیری ماشین
• نحوه عملکرد Gradient Boosting
• مفهوم Loss Function در Gradient Boosting
• یادگیرندگان ضعیف یا Poor Learner در Gradient Boosting
• مفهوم Additional Model در Gradient Boosting

بخش هفتم: روش نزدیکترین همسایه یا K-Nearest Neighbor

• مفهوم همسایگی در یادگیری ماشین
• روش های اندازه گیری فاصله در روش KNN
• مفهوم Euclidean Distance برای اندازه گیری فاصله همسایگی
• روش اندازه گیری فاصله Manhattan Distance
• روش اندازه گیری فاصله Chebyshev Distance
• تشریح قدم به قدم نحوه عملکرد الگوریتم KNN در پیش بینی تخمین محصول
• آموزش نحوه انتخاب تعداد همسایگی مناسب برای پیش بینی و رگرسیون (انتخاب K مناسب)
• مفهوم Feature Scaling در KNN
• مزایا و معایب روش KNN

بخش هشتم: روش جنگل تصادفی (Random Forest)

• تشریح کامل مفهوم جنگل در الگوریتم Random Forest
• تئوری مدل های Ensemble در یادگیری ماشین
• مفهوم Majority Voting در جنگل تصادفی
• آشنایی با مفهوم Bagging و کیسه گذاری در Random Forest
• مفهوم Boosting در Random Forest
• آشنایی با مفاهیم Bootstrapping و Aggregating در جنگل تصادفی
• آشنایی با یادگیری موازی در یادگیری ماشین

بخش نهم: مفهوم داده و دیتاست

• آشنایی کامل با مفهوم دیتاست
• آشنایی با مفهوم جدول توصیفی در یادگیری ماشین
• آشنایی با مفهوم ویژگی های عددی و متنی در یادگیری ماشین
• آشنایی با مفهوم Train/Test/Validation
• تفاوت داده های ساختاریافته با داده های ساختارنیافته
• آشنایی با داده های کمی و کیفی و نحوه انتخاب مدل بر اساس آن ها
• آشنایی با مفهوم One Hot Encoding

قسمت دوم: کدنویسی

بخش اول: فراخوانی داده ها و پیش پردازش دیتاست

• آشنایی با محیط کولب و نحوه عملکرد آن
• نحوه اتصال گوگل کولب به گوگل درایو
• فراخوانی پکیج های مدنظر
• فراخوانی داده ها به محیط کولب
• نمایش داده ها به صورت جدولی
• استخراج اطلاعات آماری هریک از دیتاها (میانگین، انحراف معیار میانه، مد، چارک ها، مینیمم و ماکسیمم)
• نحوه سفارشی سازی دیتاها با هدف انتخاب موارد خاص
• کار با داده های بارش، دما، کود و تخمین محصول با هدف آشنایی کامل با دیتاست
• نحوه Merge کردن داده ها با یکدیگر
• انتخاب پارامترهای خاص با هدف نمایش دیتاست

بخش دوم: بصری سازی داده ها (Visualization)

• نمایش داده های بارش به صورت سالانه و نمودار
• نمایش داده های دما به صورت سالانه و ماهانه
• نمایش دیتاها به صورت Boxplot
• نمایش دیتاها به صورت Heat Map
• نمایش اطلاعات آماری دیتاها به صورت گرافیکی

بخش سوم: انکود کردن  و تغییر ساختار دیتاها (OneHot Encoding)

• نحوه Dummies کردن دیتاها
• نحوه اعمال OneHot Encoding بر روی مجموعه دیتاست
• نمایش خروجی های مد نظر
• تشریح کامل روش OneHot Encoding
• نحوه نمایش ابعاد دیتاست
• نحوه استفاده از تابع Head در یادگیری ماشین

بخش چهارم: استخراج ویژگی ها و ضرایب معادلات

• آموزش جدا کردن متغییرهای مستقل از وابسته
• آموزش کار با کتابخانه Statsmodels
• نحوه محاسبه پارامتر P و Pmax
• نحوه محاسبه رگرسیون حداقل مربعات یا OLS
• نحوه محاسبه ضرایب معادلات رگرسیون
• ادغام متغیرهای وابسته و مستقل
• نحوه حذف داده های پرت از دیتاست
• نحوه محاسبه Score و Z-Scores
• نحوه محاسبه MinMaxScaler برای نرمال کردن داده ها
• نحوه Standardization دیتاست

بخش پنجم: آماده سازی دیتاست جهت وارد کردن به مدل

• فراخوانی پکیج های مدنظر
• جداسازی داده های Test و Train
• نوشتن تابع با هدف محاسبه Mean Absolute Percentage Error
• محاسبه پارامترهای معادلاتی (Slope, Intersect, Pvalue, R-value, Stderr)
• نحوه استفاده از تابع Rectangle و Scatter با هدف ساخت پلات
• نوشتن تابع با هدف نمایش خروجی تخمین محصول به صورت سفارشی شده
• کار با String Format ها به صورت جامع
• کار با کتابخانه Time با هدف محاسبه مدت زمان اجرای هر مدل
• پیش بینی و تخمین محصول با هریک از روش ها به صورت تخصصی
• نوشتن تابع با هدف Parallel کردن محاسبات و اجرای همزمان مدل های یادگیری ماشین
• نوشتن تابع با هدف Cross Validation و اعتبارسنجی متقابل
• محاسبه پارامترهای برآورد خطا (R2 – MSE – MAE – RMSE – MAPE – ME)
• نمایش پارامترهای خطا به صورت Boxplot

 کاربرد آموزش

این محصول در زمینه تخمین محصولات کشاورزی و برآورد میزان برداشت آنها انجام پذیرفته است. همچنین روش های یادگیری ماشین به صورت مفصل در این دوره شرح داده شده و در کنار این موارد به کدنویسی با زبان پایتون نیز پرداخته شده است.

به این دلیل اگر نگاهی عمیق تر به این دوره بندازیم متوجه میزان ارزش آن خواهیم شد که از چندین جهت می تواند کاربر را در جهت پیشرفت هدایت کند.

کاربرد محصول را می توان در چندین بخش خلاصه کرد:

بخش اول : برنامه نویسی

• افزایش مهارت برنامه نویسی با زبان پایتون
• آشنایی با الگوریتم های زبان برنامه نویسی پایتون در یادگیری ماشین
• تسلط بر نمایش و بصری سازی داده ها با زبان پایتون
• افزایش مهارت کدنویسی در حیطه یادگیری ماشین با زبان برنامه نویسی پایتون
• ارائه مقالات مختلف یادگیری ماشین با زبان پایتون
• کاربرد در زمینه پیش پردازش داده ها و کار با انواع مختلف داده ها با زبان پایتون

بخش دوم : یادگیری ماشین

• کاربرد در زمینه تسلط فرد بر روش های یادگیری ماشین
• بررسی تخصصی مدل های یادگیری ماشین که در جایی کمتر به آن اشاره شده است
• کاربرد در زمینه درک مفهوم دیتا (اطلاعاتی که کمتر در منابع موجود است)

بخش سوم : کشاورزی

• کاربرد در زمینه تخمین محصولات کشاورزی (انواع مختلف محصولات)
• کاربرد در زمینه انجام پروژه ها و مقالات مرتبط به کشاورزی
• کاربرد در زمینه برآورد میزان برداشت محصولات کشاورزی با استفاده از هوش مصنوعی و یادگیری ماشین

چطور آموزش را تهیه کنم؟

برای تهیه بر روی دکمه زیر کلیک کنید. پس از پرداخت، بلافاصله به فایل های آموزشی دسترسی دارید و به ایمیلتان نیز ارسال می گردد.