یادگیری ماشین و یادگیری عمیق برای مشاهده زمین

آنچه یاد خواهید گرفت:

• مفاهیم کلیدی یادگیری ماشین و یادگیری عمیق، گردش کارها و کاربردهای آن‌ها در مشاهده زمین، از جمله متدهای نظارت‌شده، نظارت‌نشده، CNN ،RNN و GAN را شناسایی کنید.
• الگوریتم‌های اصلی مانند رگرسیون لجستیک، SVM ،k-means ،CNNها و RNNها را برای طبقه‌بندی، تشخیص و تحلیل تصاویر سنجش از دور پیاده‌سازی کنید.
• مدل‌ها را با استفاده از توابع هزینه، گرادیان کاهشی، زمان‌بندی‌های نرخ یادگیری، تنظیم‌سازی، افزونش داده و یادگیری انتقالی ارزیابی و بهینه‌سازی کنید.
• پایپ لاین های یادگیری ماشین/عمیق مبتنی بر پایتون برای داده سنجش از دور را به منظور حل مسائل عملی مشاهده زمین بسازید و فاین تیونینگ کنید.

پیش‌نیازهای دوره

• نیازی به پیش‌زمینه پیشرفته نیست. تنها دانش اولیه پایتون (مانند اجرای نوت‌بوک‌ها و توابع ساده) و کنجکاوی درباره مشاهده زمین کافی است. آشنایی با آرایه‌ها یا جبر خطی مفید است اما الزامی نیست. فراگیران به یک کامپیوتر با دسترسی به اینترنت و توانایی نصب کتابخانه‌های رایج پایتون (NumPy ،scikit-learn ،TensorFlow یا PyTorch) نیاز دارند. تمام مفاهیم اساسی گام به گام توضیح داده خواهند شد تا دوره برای مبتدیان باانگیزه قابل دسترس باشد.

توضیحات دوره

به الزامات یادگیری ماشین و یادگیری عمیق برای مشاهده زمین خوش آمدید - دروازه ورود شما به حوزه به سرعت در حال رشد AI4EO است. این دوره طراحی شده است تا به دانشمندان، مهندسان، پژوهشگران و علاقه‌مندان به داده، اصول روشن و عملی در تکنیک‌های اصلی یادگیری ماشین و یادگیری عمیق که محرک نوآوری در مشاهده زمین هستند، ارائه دهد و همزمان بر چالش‌ها و راه‌حل‌های دنیای واقعی نیز تأکید کند.

در طول سه ساعت محتوای متمرکز، شما از مبانی پایپ لاین های یادگیری ماشین و الگوریتم‌های کلاسیک به سمت معماری‌های مدرن یادگیری عمیق مانند شبکه‌های کانولوشنی، بازگشتی و مولد حرکت خواهید کرد. کشف خواهید کرد که چگونه این روش‌ها به کاربردهای اساسی AI4EO مانند طبقه‌بندی صحنه، بخش‌بندی معنایی، تشخیص اشیاء و تشخیص تغییرات قدرت می‌بخشند و بهترین شیوه ها را برای آماده‌سازی و مدیریت مؤثر داده‌های مکانی یاد خواهید گرفت.

هیچ پیش‌زمینه پیشرفته‌ای لازم نیست - تنها مهارت‌های اولیه پایتون و کنجکاوی کافی است. از طریق توضیحات مختصر، مثال‌های مشاهده زمین و تمرین‌های کدنویسی عملی، در اعمال یادگیری ماشین و یادگیری عمیق بر روی داده‌ سنجش از دور اعتماد به نفس پیدا خواهید کرد.

تا پایان این دوره، دانش و مهارت لازم برای درک محدودیت‌های عملی، شروع به ساخت راه‌حل‌های مکانی مجهز به هوش مصنوعی خود و ایجاد پایه‌ای محکم برای بررسی پژوهش‌ها و کاربردهای تخصصی AI4EO، از جمله طبقه‌بندی صحنه، بخش‌بندی معنایی، تشخیص اشیاء و تشخیص تغییرات را به دست خواهید آورد.

این دوره برای چه کسانی مناسب است؟

• این دوره برای دانشمندان، مهندسان، دانشجویان و متخصصانی که مشتاق اعمال یادگیری ماشین و یادگیری عمیق در مشاهده زمین هستند، عالی است. این یک شروع فوق‌العاده برای هر کسی است که می‌خواهد وارد مفاهیم AI4EO، از جمله طبقه‌بندی صحنه، بخش‌بندی معنایی، تشخیص اشیاء و تشخیص تغییرات شود. متخصصان سنجش از دور، دانشمندان داده که در حال بررسی هوش مصنوعی مکانی هستند و مبتدیان با مهارت‌های اولیه پایتون، همگی این دوره را نقطه ورودی در دسترس و ارزشمندی به هوش مصنوعی برای مشاهده زمین خواهند یافت.