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

1,431 بازدید

اخبار ، مقالات و تحقیقات گروهی را دنبال کنید.

آموزش رایگان نرم افزار ENVI

در ENVI حرفه ای شو 🦾

0 تا 100 مفاهیم سنجش از دور

کاملا رایگان شروع کن 🧩

آموزش رایگان ArcGIS pro

واقعاااااا رایگاااااانه 🤗

آموزش گوگل ارث انجین

شدیدا توصیه شده 🌏

دانلود لندیوز 10 متری ایران و …

به کمک گوگل ارث انجین 🚀

کتاب موتور پردازش مجازی

اولین کتاب آموزش گوگل ارث انجین 📗

طبقه بندی تصاویر ماهواره ای

آشنایی با انواع روش ها 😲

پیش پردازش تصاویر ماهواره ای

هندسی – رادیومتریکی – اتمسفری 🀄

دانلود داده های آلتیمتری

ترازسنجی برای دریاچه ها 🧿

پوشش اراضی 10 متری

تولید شده توسط ESRI 🧐

نمایش سه بعدی در ArcGIS

مدل رقومی ارتفاع 🗻

مطالب پربازدید

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…

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.

آموزش تخمین محصول


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.

نوشته های مرتبط :

18 دیدگاه. ارسال دیدگاه جدید

  • آرش جاعل
    1402-09-07 2:45 ب.ظ

    سلام و عرض ادب
    سئوالی که دارم این هست که وجه تمایز محصول آموزشی جدیدتان با دوره آموزشی قبلی با عنوان ” دوره جامع آموزش تهیه نقشه نوع محصول با استفاده از روش های یادگیری ماشین و زبان برنامه نویسی R” چی هست. ممنون از شما

    پاسخ
  • هادی امامی
    1402-09-08 3:01 ق.ظ

    با سلام و وقت بخیر. در دوره قبلی ما با تصاویر ماهواره ای با هدف تهیه نوع محصول با روش طبقه بندی میومدیم و طبقه بندی رو انجام میدادیم و محصولات کشاورزی مختلف رو طبقه بندی میکردیم. در این آموزش هدف تخمین میزان برداشت محصول هست و ما خوده محصول مد نظرمون نیست. میزان برداشت آن در طی یک بازه زمانی هدف است. و تفاوت بسیار زیادی با هم دارند. هم در سطح کدنویسی و هم به صورت مفهوم محور. موفق باشین

    پاسخ
  • سلام وقت بخیر آیا از این روشها برای مدلسازی تغییرات کاربری اراضی در یک بازه زمانی استفاده کرد؟
    یا اگر آموزش دیگری از جنابعالی مدنظر شما دراین خصوص مورد نظر شما می باشد خواهشمندم راهنمایی کنید

    پاسخ
    • هادی امامی
      1402-09-10 1:19 ب.ظ

      سلام وقتتون بخیر. توصیه من استفاده از روش های طبقه بندی هست مثل طبقه بندی با یادگیری عمیق یا ماشین لرنینگ. تا رگرسیون ها. موفق باشین

      پاسخ
  • سلام و خداقوت. ممنون بابت ارائه این موضوع.
    اما من هر چه سرفصل ها رو میبینم؛ بیشتر احساس میکنم دوره پیرامون آموزش بخش مدل از هوش مصنوعی هست.
    این موضوع خاص نکات ظریفی داره که دوست داشتم اونها رو در سرفصل ببینم. مثل چالشهای موجود در سمت داده.
    همونطور که میدونید هوش مصنوعی متشکل از دو بخش اصلی است. مدل و داده. عمده آموزشها پیرامون مدل ها است. در صورتی که در حال حاضر شاهد توجه بیش از پیش به رویکرد DATA CENTRIC هستیم.
    در نتیجه من تمایل داشتم بیشتر راجع به چالشهای مربوط به داده در سرفصل ببینم. اینطوری خیلی کاربردی تر و صنعتی تر میشه.
    با آرزوی موفقیت

    پاسخ
    • هادی امامی
      1402-09-10 7:10 ب.ظ

      سلام وقتتون بخیر باشه. ممنونم از نکات مثبتتون . این دوره هردو مورد رو پوشش میده. من یک جلسه کامل رو به مبحث دیتا پرداختم و انواع دیتاها رو تشریح کردم و متدهای مختلف و روش های مختلف کار با دیتا و همچنین تبدیل دیتا رو توضیح دادم ک یک جلسه بیشتر از یک ساعته هست و همه جزئیاتشو در توضبحات نیاوردم. اما باید بگم ک مدل بحث اصلی ما هست به همین دلیل من پیرامون مدل ها بیشتر مانور دادم. و توضیح دادم ک چه مدلی برای چه نوع دیتایی مناسبه و حتی جلسه ای با عنوان انتخاب مدل بر اساس دیتا رو برگزار کردم. موفق باشید

      پاسخ
  • مسعود وهاب زاده
    1402-09-11 12:22 ق.ظ

    آقای امامی عزیز، میشه لطف کنید فایل پاورپوینت یا پی دی اف ارائه تون رو برامون بذارید تا بتونیم پرینتش بگیریم؟

    پاسخ
    • هادی امامی
      1402-09-15 1:44 ب.ظ

      سلام وقتتون بخیر. ایمیلتونو بفرستین من بهتون ارسال کنم. ممنونم ازتون

      پاسخ
  • سلام وقت بخیر
    منظور از تخمین میزان برداشت محصولات کشاورزی منظور وزن دانه بدون پوشش برگ و ساقه هست؟ یا مقادیر محاسبه شده میزان بایومس هست؟

    پاسخ
    • هادی امامی
      1402-09-15 1:46 ب.ظ

      سلام وقت بخیر. این مسئله بستگی ب دیتای زمینی ک اخذ شده داره و وابسته به اون هست. موفق باشین

      پاسخ
  • مسعود وهاب زاده
    1402-09-15 9:04 ب.ظ

    ایمیل بنده جهت ارسال فایل پاورپوینت:
    masoud.vahabzade1372@gmail.com

    پاسخ
  • با سلام و عرض ادب
    من دوره را خریداری کردم اگر استاد گرامی لطف بفرمایند که داده ها را از چه سایتی گرفتند که ما هم بتونیم با این سایت ها آشنا بشیم ممنون میشم

    پاسخ
  • با سلام و ادب
    در زمان مرج کردن داده ها اولین فایل بارش و دما به خوبی مرج شده اما زمانی که عملکرد و کود اضافه می گردد فایل نهایی خالی بوده و داده ها مرج نمی گردد. من حتی با کد شما هم امتحان کردم اما متاسفانه هر بار داده نهایی خالی می باشد ممنون میشم من را راهنمایی کنید

    پاسخ
  • هادی امامی
    1402-10-06 12:15 ق.ظ

    با سلام وقت بخیر. کدتونو به ایمیل بنده ارسال کنین
    Hadiemami.rs@gmail.com

    پاسخ
  • محمدرضا
    1402-10-06 12:22 ق.ظ

    در این اموزش پیش بینی عملکرد محصول در آینده شبیه سازی می شود؟

    پاسخ

دیدگاهتان را بنویسید

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

این فیلد را پر کنید
این فیلد را پر کنید
لطفاً یک نشانی ایمیل معتبر بنویسید.

keyboard_arrow_up