آموزش یادگیری ماشین مکانی و آمار با پایتون - آخرین آپدیت

مقدمه Introduction

• آماده‌سازی داده‌های شما Preparing your data

• رمزگشایی از یادگیری ماشین مکانی Spatial ML demystified

• نقشه‌برداری زمین با پایتون: مقدمه‌ای بر آمار و یادگیری ماشین مکانی Mapping the Earth with Python: Intro to spatial ML and stats

• دانلود داده‌های این دوره Downloading the data for this course

1. اصول آمار مکانی 1. Spatial Statistics Fundamentals

• استفاده از IDW برای درونیابی مکانی Using IDW for spatial interpolation

• محاسبه خودهمبستگی مکانی محلی Computing local spatial autocorrelation

• معرفی اصول آمار مکانی Introducing spatial statistics fundamentals

• محاسبه خودهمبستگی مکانی جهانی Computing global spatial autocorrelation

• استفاده از توابع داخلی GeoPandas Using the built-in functions of GeoPandas

2. یادگیری بدون نظارت با داده‌های مکانی 2. Unsupervised Learning with Spatial Data

• پیاده‌سازی الگوریتم خوشه‌بندی k-means Applying the k-means clustering algorithm

• استفاده از الگوریتم خوشه‌بندی مکانی DBSCAN Using the spatial clustering algorithm, DBSCAN

• معرفی یادگیری بدون نظارت Introducing unsupervised learning

• انجام تحلیل نقاط داغ (Hotspot) Conducting hotspot analysis

3. یادگیری نظارت شده با داده‌های مکانی 3. Supervised Learning with Spatial Data

• اجرای رگرسیون OLS روی داده‌های مکانی Running OLS regression on spatial data

• اجرای جنگل تصادفی روی داده‌های مکانی Conducting random forest on spatial data

• مدل‌های رگرسیون آگاه به مکان Spatially aware regression models

• معرفی یادگیری نظارت شده Introducing supervised learning

• مقایسه مدل‌ها Comparing models

• ارتقای پیش‌بینی باینری برای داده‌های مکانی Upgrading binary prediction to spatial data

نتیجه‌گیری Conclusion

• گام‌های بعدی Next steps