یادگیری ماشین در R: تحلیل تصاویر پوشش و کاربری زمین
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- ماشین نظارتی را برای طبقهبندی تصویر با استفاده از زبان برنامهنویسی R در R-Studio خواهید آموخت.
- پسزمینه نظری یادگیری ماشین را خواهید آموخت.
- الگوریتمهای مبتنی بر یادگیری ماشین (random forest و SVM) را برای تحلیل طبقهبندی تصویر در R و R-Studio به کار خواهید برد.
- برنامهنویسی R را از ابتدا خواهید آموخت: یک دوره فشرده R گنجانده شده تا بتوانید برنامهنویسی R را برای یادگیری ماشین آغاز کنید.
- مبانی نقشهبرداری کاربری و پوشش زمین (LULC) مبتنی بر طبقهبندی تصویر ماهوارهای را کاملاً درک خواهید کرد.
- مقدمهای بر سنجش از دور مرتبط با نقشهبرداری LULC را دریافت کرده و آن را کاملاً درک خواهید کرد.
- تصاویر سنجش از دور را در R پیشپردازش و تحلیل خواهید کرد.
- نحوه ایجاد دادههای آموزشی و اعتبارسنجی برای طبقهبندی تصویر در QGIS را خواهید آموخت.
- مدلهای طبقهبندی تصویر مبتنی بر یادگیری ماشین را برای تحلیل LULC ساخته و استحکام آنها را در R آزمایش خواهید کرد.
- الگوریتمهای یادگیری ماشین مانند Random Forests و SVM را در R پیادهسازی خواهید کرد.
- ارزیابی دقت را برای طبقهبندی تصویر مبتنی بر یادگیری ماشین در R به کار خواهید برد.
- نسخهای از اسکریپتها و راهنماهای گام به گام استفاده شده در دوره را برای مرجع جهت استفاده در تحلیلهای خود خواهید داشت.
پیش نیازهای دوره
- دسترسی به کامپیوتر و اینترنت و علاقهمندی قوی به موضوع
- نمایش آموزشها بر روی ویندوز انجام میشود. کاربران مک و لینوکس باید دستورالعملها را متناسب با سیستم عامل خود تنظیم کنند.
توضیحات دوره
تسلط به یادگیری ماشین در R و R-Studio: طبقهبندی تصویر برای نقشهبرداری پوشش و کاربری زمین (LULC)
به این دوره منحصر به فرد در Udemy خوش آمدید که به یادگیری ماشین در R و R-Studio با تمرکز بر طبقهبندی تصاویر برای نقشهبرداری پوشش و کاربری زمین میپردازد!
چرا تحلیلگران ژئومکانی (GIS، سنجش از دور) باید R را یاد بگیرند؟
این دوره یک پیشنهاد پیشرو در Udemy است که به شما فرصتی میدهد تا مهارتهای برنامهنویسی R را برای تحلیلهای یادگیری ماشین مبتنی بر سنجش از دور در R بدست آورید.
دانشی که در این دوره کسب میکنید به شما امکان میدهد به تحلیل دادههای تصویر یادگیری ماشین در R بپردازید. با بیش از 2 میلیون کاربر در سطح جهان، اوراکل جایگاه R را به عنوان زبان برنامهنویسی پیشرو در آمار و علم داده تثبیت کرده است. تعداد کاربران R سالانه حدود 40% رشد دارد و سازمانهای روزافزونی برای عملیات روزمره خود از آن استفاده میکنند. با ثبتنام در این دوره، گامی پیشگیرانه برای تضمین آینده حرفهای خود برداشتهاید!
ویژگیهای دوره:
این دوره جامع شامل 7 بخش است که تمام جنبههای یادگیری ماشین، هم نظری و هم عملی، را پوشش میدهد. شما:
- اصول نظری محکم در یادگیری ماشین پیدا خواهید کرد.
- تکنیکهای یادگیری ماشین نظارتی برای طبقهبندی تصویر را به خوبی فرا خواهید گرفت.
- الگوریتمهای یادگیری ماشین (مانند Random Forest و SVM) را برای تحلیل طبقهبندی تصویر در R و R-Studio به کار خواهید برد.
- درک اساسی برنامهنویسی R را کسب خواهید کرد.
- مبانی نقشهبرداری پوشش و کاربری زمین (LULC) بر اساس طبقهبندی تصاویر ماهوارهای را بطور کامل خواهید دانست.
- مفاهیم اساسی سنجش از دور مرتبط با نقشهبرداری LULC را درک خواهید کرد.
- یاد خواهید گرفت چگونه دادههای آموزش و اعتبارسنجی برای طبقهبندی تصویر را در QGIS بسازید.
- مدلهای طبقهبندی تصویر مبتنی بر یادگیری ماشین را برای تحلیل LULC بسازید و استحکام آنها را در R بسنجید.
- ارزیابی دقت طبقهبندی تصاویر مبتنی بر یادگیری ماشین را در R پیاده کنید.
نیازی به دانش قبلی درباره R، آمار، یادگیری ماشین یا R نیست:
این دوره با معرفی جامع مفاهیم و تکنیکهای اساسی یادگیری ماشین شروع میشود. مدرس از روشهای ساده و عملی برای توضیح مفاهیم پیچیده برنامهنویسی R، بهویژه در زمینه تحلیل تصاویر ماهوارهای، استفاده میکند.
در طول دوره، این تکنیکها را بر روی دادههای تصویری واقعی از منابع مختلف، از جمله تصاویر Landsat و Sentinel اجرا خواهید کرد. بنابراین پس از پایان این دوره یادگیری ماشین در R برای طبقهبندی تصویر و تحلیل LULC، توانایی کار با جریانهای داده گوناگون و بستههای علم داده را برای تحلیل دادههای واقعی در R خواهید داشت.
اگر آشنایی قبلی با R ندارید، جای نگرانی نیست. این دوره معرفی کاملی به R و برنامهنویسی R است.
چه چیزی این دوره را متمایز میکند؟
این دوره با ارائه راهحلهای عملی و گامبهگام که به آسانی دنبال میشوند، مهارتهای GIS و سنجش از دور و دانش R شما را ارتقا میدهد. شما قادر خواهید بود تحلیل دادههای مکانی را برای پروژههای خود شروع کنید و مورد توجه کارفرمایان آینده، با نشان دادن تواناییهای پیشرفته GIS، تسلط به الگوریتمهای نوین یادگیری ماشین و مهارت در برنامهنویسی R قرار بگیرید.
تمرینهای عملی بخشهای اصلی این دوره هستند. شما دستورالعملها، کدها و مجموعههای داده دقیقی دریافت خواهید کرد که با آنها الگوریتمهای یادگیری ماشین را با ابزارهای R اجرا کنید.
همین حالا در این دوره شرکت کنید و مهارتهای خود را ارتقا دهید!
این دوره برای چه کسانی مناسب است؟
- همه کسانی که میخواهند کاربردهای علم داده را در محیط R و R-Studio بیاموزند.
- جغرافیدانان، برنامهنویسان، زمینشناسان، زیستشناسان، علوم اجتماعی و سایر متخصصانی که با نقشههای GIS در حوزه خود کار میکنند.
یادگیری ماشین در R: تحلیل تصاویر پوشش و کاربری زمین
-
مقدمه 06:42
-
R و RStudio چیستند؟ 02:43
-
چگونگی نصب R و RStudio در سال 2021 03:40
-
کارگاه: نصب R و RStudio در سال 2021 05:33
-
کارگاه: نصب QGIS و افزونه SCP 12:39
-
یادداشتی درباره نسخههای QGIS و افزونههای آن 08:44
-
مقدمهای بر یادگیری ماشین 16:03
-
مبانی یادگیری ماشین برای تحلیل طبقهبندی 09:27
-
الگوریتمهای رایج طبقهبندی تصویر 19:18
-
کارگاه: معرفی رابط کاربری RStudio 09:37
-
کارگاه: نصب بستهها و مدیریت بستهها در R 04:19
-
متغیرها در R و انتساب متغیرها در R 02:19
-
کارگاه: متغیرها در R و انتساب متغیرها در R 01:45
-
مروری بر انواع دادهها و ساختارهای داده در R 08:19
-
کارگاه: انواع دادهها و ساختارهای داده در R 09:57
-
عملیات برداری در R 07:37
-
انواع و ساختارهای داده: عوامل 02:32
-
Dataframes: بررسی در R 03:21
-
توابع در R - بررسی 04:50
-
حلقههای For در R 03:56
-
خواندن دادهها در R 05:13
-
مقدمهای بر تصویر دیجیتال 11:21
-
حسگرها و سکویهای جمعآوری داده 05:01
-
درک سنجش از دور برای نقشهبرداری پوشش و کاربری زمین 06:59
-
مراحل طبقهبندی نظارتی پوشش و کاربری زمین (LULC) 12:18
-
دادههای مورد استفاده برای تحلیل: تصاویر Landsat 05:06
-
پیشپردازش دادههای تصویر ماهوارهای 05:01
-
بررسی مراحل پردازش تصاویر Landsat در R 02:37
-
کارگاه: بارگذاری تصویر در R 07:15
-
کارگاه: لایههای پشتهای تصاویر در R 08:59
-
کارگاه: پردازش دستهای در R: استخراج و پشته لایه تصاویر Landsat 05:17
-
مصورسازی تصاویر در R 07:43
-
دادههای مورد استفاده برای تحلیل: تصاویر Sentinel 06:18
-
نیازمندیهای دادههای آموزش برای طبقهبندی و انتخاب دادههای آموزش 07:15
-
کارگاه: آمادهسازی دادههای آموزش در R - بخش اول 07:16
-
کارگاه: آمادهسازی دادههای آموزش در R - بخش دوم 09:40
-
رسم طیف نگاشتها در R 05:28
-
طبقهبندی تصویر در R با Random Forest 14:29
-
نمایش نقشه: ایجاد تصویر طبقهبندیشده بر اساس مدل Random Forest در R 09:15
-
نمایش نقشه: ایجاد تصویر طبقهبندی شده بر اساس مدل Random Forest در QGIS 05:31
-
طبقهبندی تصویر در R با استفاده از ماشین بردار پشتیبان (SVM) 15:48
-
ارزیابی دقت طبقهبندی تصویر 11:13
-
کارگاه: ارزیابی دقت (اعتبارسنجی) طبقهبندی در R 11:33
-
کار مستقل: ارزیابی دقت برای طبقهبندی مبتنی بر SVM 01:15
-
کارگاه: ایجاد نقشه LULC از نتیجه نهایی طبقهبندی تصویر در QGIS 05:03
-
امتیاز ویژه 02:12
مشخصات آموزش
یادگیری ماشین در R: تحلیل تصاویر پوشش و کاربری زمین
- تاریخ به روز رسانی: 1404/09/07
- سطح دوره:متوسط
- تعداد درس:46
- مدت زمان :05:38:27
- حجم :4.11GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy