هوش مصنوعی فضایی - یادگیری عمیق برای تصاویر ماهوارهای
✅ سرفصل و جزئیات آموزش
آنچه یاد خواهید گرفت:
- پیشپردازش تصاویر ماهوارهای برای هوش مصنوعی با استفاده از پایتون و Google Earth Engine
- ساخت و آموزش CNNs برای تسکهای فضایی مانند طبقهبندی سلامت محصول
- اعمال یادگیری عمیق برای تحلیل داده ماهوارهای در کاربردهای واقعی
- ارزیابی و بهینهسازی مدلهای هوش مصنوعی با متریکها و تیونینگ هایپرپارامتر
پیشنیازهای دوره
- هیچ تجربه قبلی نیاز نیست. دانش اولیه در پایتون مفید است اما ضروری نیست.
- کامپیوتر، دسترسی به اینترنت و حساب گوگل رایگان برای Google Colab - تمام ابزارها و مجموعه دادهها در دوره ارائه میشود.
توضیحات دوره
تبدیل تصاویر ماهوارهای به بینشهای عملی با هوش مصنوعی فضایی -
شما در دوره «هوش مصنوعی فضایی - یادگیری عمیق برای تصاویر ماهوارهای» غوطهور میشوید و هنر ساخت مدلهای هوش مصنوعی برای تحلیل فضایی را به دست میآورید. این دوره عملی مهارتهای پیشرفته برای پردازش تصاویر Sentinel-2، طراحی شبکههای عصبی کانولوشن (CNNs) و مواجهه با چالشهای واقعی مانند تحلیل سلامت محصول، شمارش گیاه، طبقهبندی پوشش زمین و شبیهسازی هوای جهانی با استفاده از FourCastNet را به شما میآموزد.
شما با اصول پایتون و هوش مصنوعی شروع میکنید، سپس به ابزارهای قدرتمندی مانند Google Colab و Google Earth Engine، تنسورفلو و PyTorch برای مدیریت داده فضایی در مقیاس بزرگ میپردازید. شما یاد میگیرید که تصاویر ماهوارهای را پیشپردازش کنید، شاخصهای فضایی را محاسبه کنید، آمار منطقهای انجام دهید و مدلها را از طریق تیونینگ هایپرپارامتر و اعتبارسنجی متقاطع بهینهسازی کنید. شما یادگیری عمیق را با روشهای سنتی یادگیری ماشین مانند جنگل تصادفی مقایسه میکنید تا نقاط قوت آنها در زمینههای فضایی را درک کنید.
دوره با پروژه capstone که در آن مدل طبقهبندی پوشش زمین آماده پورتفولیو را میسازید، پایان مییابد. در این پروژه، جمعآوری داده، پیشپردازش و مدلسازی هوش مصنوعی را یکپارچه میکنید. این دوره برای دانشمندان داده، متخصصان GIS یا علاقهمندان به یادگیری ماشین که دانش اولیه در پایتون و یادگیری ماشین دارند، مناسب است؛ این دوره تئوری و عمل را به هم میآمیزد تا شغل شما در حوزه هوش مصنوعی فضایی را ارتقا دهد.
یادگیری عملی در انتظار شماست. از طریق پروژههای هدایتشده و آزمونها، هوش مصنوعی را برای حل چالشهای فضایی فوری، از نظارت بر قطع جنگل تا بهینهسازی بازده کشاورزی، به کار میگیرید مه شما را آماده میکند تا تأثیر قابلقابل نظارت در این حوزه پویا ایجاد کنید.
همین امروز در دوره شرکت کنید تا آینده تحلیل تصاویر ماهوارهای را کشف کنید و به متخصص هوش مصنوعی فضایی تبدیل شوید.
این دوره برای چه کسانی مناسب است؟
- دانشمندان داده مبتدی - تازهکار در هوش مصنوعی و تحلیل فضایی، مشتاق یادگیری یادگیری عمیق برای تصاویر ماهوارهای
- متخصصان GIS - در جستجوی یکپارچهسازی هوش مصنوعی در گردشکارهای فضایی برای تسکهایی مانند پوشش زمین یا تحلیل محصول
- پژوهشگران محیطزیست - علاقهمند به اعمال شبکههای عصبی کانولوشن روی داده ماهوارهای برای مطالعات اقلیمی یا کشاورزی
- دانشجویان و علاقهمندان - کنجکاو درباره هوش مصنوعی فضایی، با مهارتهای اولیه در پایتون یا تمایل به یادگیری
هوش مصنوعی فضایی - یادگیری عمیق برای تصاویر ماهوارهای
-
آشنایی با تحلیل فضایی 07:28
-
آشنایی با هوش مصنوعی 04:19
-
چرا پایتون بهترین انتخاب برای هوش مصنوعی است؟ 02:47
-
بررسی یادگیری عمیق در کاربردهای فضایی 13:48
-
آشنایی با هوش مصنوعی فضایی None
-
راهنمای گام به گام راهاندازی GPU 09:45
-
راهاندازی محیط برای هوش مصنوعی فضایی None
-
آشنایی با Google Colab 03:55
-
راهاندازی Google Colab برای پروژههای هوش مصنوعی 12:21
-
اجرای مدلهای تنسورفلو در ابر 11:40
-
اجرای مدلهای PyTorch در ابر 11:06
-
ذخیره و اشتراکگذاری نوتبوکهای Colab 10:29
-
هوش مصنوعی مبتنی بر ابر با Google Colab None
-
محاسبه شاخصهای فضایی 08:03
-
ایمپورت و پاکسازی مجموعه دادهها در Jupyter Notebook با Pandas 12:48
-
انجام آمار منطقهای در پایتون 03:50
-
پیشپردازش تصاویر واقعی Sentinel-2 برای یادگیری عمیق 18:00
-
یکپارچهسازی Google Earth Engine برای پایپلاینهای داده 08:21
-
کار با داده فضایی در مقیاس بزرگ 14:26
-
پیشپردازش تصاویر ماهوارهای None
-
آشنایی با CNNs برای تحلیل تصاویر ماهوارهای 13:15
-
طراحی مدل CNN برای طبقهبندی سلامت محصول 08:31
-
مصورسازی عملکرد مدل هوش مصنوعی 13:09
-
ارزیابی مدلها - دقت، صحت، یادآوری و اعتبارسنجی متقابل 12:13
-
تیونینگ هایپرپارامتر با جستجوی گرید و جستجوی تصادفی در پایتون 11:40
-
ساخت و آموزش CNNs None
-
ساخت شبکه عصبی کانولوشن برای طبقهبندی تصاویر 13:15
-
ساخت مدل هوش مصنوعی برای تحلیل سلامت محصول 08:31
-
شمارش گیاهان با تکنیکهای بینایی کامپیوتری 10:18
-
اعتبارسنجی پیشبینیهای زیست حیاتی با واقعیت زمین 17:47
-
کاربردهای هوش مصنوعی فضایی None
مشخصات آموزش
هوش مصنوعی فضایی - یادگیری عمیق برای تصاویر ماهوارهای
- تاریخ به روز رسانی: 1404/09/07
- سطح دوره:متوسط
- تعداد درس:31
- مدت زمان :04:34:24
- حجم :3.19GB
- زبان:دوبله زبان فارسی
- دوره آموزشی:AI Academy