آموزش تحلیل مکانی و علم داده‌های مکانی با پایتون - آخرین آپدیت

دانلود Spatial Analysis and Geospatial Data Science With Python

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:

کشف دنیای داده‌های مکانی با پایتون: تجزیه و تحلیل و بصری‌سازی پیشرفته

یاد بگیرید چگونه داده‌های مکانی را با پایتون پردازش، بصری‌سازی و تجزیه و تحلیل فضایی انجام دهید.

  • یادگیری کتابخانه‌های ضروری ژئوپایتون: با مهم‌ترین ابزارهای پایتون برای کار با داده‌های مکانی آشنا شوید.
  • بصری‌سازی داده‌های مکانی در پایتون: نقشه‌های استاتیک و تعاملی جذاب خلق کنید.
  • تجزیه و تحلیل داده‌های مکانی با پایتون: از قدرت تحلیل فضایی برای استخراج بینش‌های عمیق بهره ببرید.
  • پیش‌پردازش داده‌های مکانی: مهارت‌های لازم برای آماده‌سازی داده‌های مکانی را کسب کنید.
  • کار با کتابخانه GeoPandas: با ابزار اصلی علم داده‌های مکانی در پایتون، GeoPandas، مسلط شوید.
  • ژئوکدینگ و ریورس ژئوکدینگ با راه‌حل‌های رایگان: از ابزارهای متن‌باز برای تبدیل آدرس به مختصات و بالعکس استفاده کنید.
  • قدرت تحلیل مکانی در علم داده: از مزایای تحلیل مکانی در پروژه‌های علم داده خود بهره‌مند شوید.
  • تمرین‌ها و پروژه‌های علم داده مکانی: دانش خود را با پروژه‌های عملی تقویت کنید.

پیش‌نیازها:

  • آشنایی اولیه با پایتون.
  • بدون نیاز به دانش GIS. توضیحات تئوری مختصر ارائه خواهد شد.
  • نصب Anaconda و کتابخانه‌های GeoPython (راهنمای نصب و نوت‌بوک‌های Jupyter ارائه می‌شود).

علم داده‌های مکانی (Geospatial Data Science) شاخه‌ای از علم داده است که بر داده‌های مکانی و تکنیک‌های خاص آن تمرکز دارد. این حوزه فراتر از ایجاد نقشه‌ها و صرفاً تمرکز بر "کجا" اتفاق می‌افتد، بلکه شامل تحلیل فضایی و بینش‌های حاصل از داده‌های مکانی است. در این دوره، پایه و اساس شغلی در علم داده‌های مکانی را بنا خواهید نهاد. با GeoPandas، ابزار کلیدی کتابخانه‌های پایتون برای علم داده‌های مکانی، آشنا خواهید شد.

مباحث پوشش داده شده در این دوره، پرکاربردترین تکنیک‌های فضایی در علم داده‌های مکانی را در بر می‌گیرد. یاد خواهیم گرفت چگونه داده‌های مکانی را به طور مؤثر بخوانیم، پردازش کنیم و عملیات فضایی انجام دهیم. بخش بزرگی از دوره به عملیات فضایی مانند تحلیل بافر (Buffer analysis)، اتصالات فضایی (Spatial joins) و تحلیل نزدیک‌ترین همسایه (Nearest Neighbourhood analysis) می‌پردازد. هر ویدئو شامل مروری کوتاه بر موضوع و اجرای کد با مثال‌های عملی است. در پایان هر بخش، تکالیف و پروژه‌های علم داده‌های مکانی ارائه می‌شود تا یادگیری شما مؤثرتر باشد.

همچنین بصری‌سازی داده‌های مکانی را با استفاده از GeoPandas و کتابخانه‌های تعاملی دیگر مانند Folium، IpyLeaflet و Plotly Express پوشش خواهیم داد. نحوه ایجاد بصری‌سازی‌های جذاب برای پرکاربردترین انواع نقشه‌ها را یاد می‌گیریم.

بخش نهایی شامل برخی ویژگی‌های پیشرفته از جمله ژئوکدینگ، ریورس ژئوکدینگ، دسترسی به داده‌های OpenStreetMap در پایتون و نکات و ترفندهای پیشرفته برای پردازش مجموعه داده‌های مکانی بزرگ است.

در پایان این دوره، شما قادر خواهید بود بیشتر عملیات علم داده‌های مکانی را در پایتون انجام دهید و همچنین دانش بنیادی قوی در ژئوپایتون کسب کنید.


سرفصل ها و درس ها

مقدمه Introduction

  • 1.1 معرفی دوره 1.1 Course Intro

  • 1.2 مقدمه 1.2 Introduction

  • 1.3 - نوت‌بوک Jupyter 1.3 - Jupyter Noteobok

  • 1.4 مقدمه‌ای بر پایتون 1.4 Introduction to Python

  • 1.5 اصول اولیه Pandas - بخش ۱ 1.5 Pandas Essentials - Part 1

  • 1.6 اصول اولیه Pandas - بخش ۲ 1.6 Pandas Essentials - Part 2

مقدمه‌ای بر GeoPandas Introduction to Geopandas

  • 2.1 مقدمه 2.1 Introduction

  • 2.2 - خواندن داده‌های مکانی 2.2 - Reading Spatial Data

  • 2.3 - خواندن فایل CSV 2.3 - Read CSV File

  • خواندن داده‌های زیرمجموعه Read Subset data

  • Geodataframe & Geoseries Geodataframe & Geoseries

  • سیستم مرجع مختصات (CRS) Coordinate Reference System (CRS)

  • 2.7 - تمرین 2.7 - Assignment

عملیات مکانی Spatial Operations

  • 3.1 - مقدمه 3.1 - Introduction

  • 3.2 - اتصال مکانی (Spatial Join) 3.2 - Spatial Join

  • 3.3 - تحلیل بافر (Buffer Analysis) 3.3 - Buffer Analysis

  • 3.4 - تحلیل همپوشانی (Overlay Analysis) 3.4 - Overlay Analysis

  • 3.5 - تحلیل همسایگی نزدیک (Nearest Neighbourhood Analysis) 3.5 - Nearest Neighbourhood Analysis

  • 3.6 - تمرین 3.6 - Assignment

مصورسازی داده‌های مکانی (GeoPandas) Geospatial Data visualization (Geopandas)

  • 4.1 - مقدمه 4.1 - Introduction

  • 4.2 اصول اولیه مصورسازی مکانی (Geovisualization) 4.2 Geovisualization basics

  • 4.3 نقشه‌های چند لایه 4.3 Multi layer maps

  • 4.4 نقشه کوروپلث (Choropleth Map) 4.4 Choropleth Map

  • 4.5 نقشه حبابی (Bubble Map) 4.5 Bubble Map

  • 4.6 تمرین 4.6 Assignment

مصورسازی تعاملی داده‌های مکانی Interactive Geospatial Data visualization

  • 5.1 - مقدمه 5.1 - Introduction

  • 5.2 - Folium بخش ۱ 5.2 - Folium Part 1

  • 5.3 - Folium بخش ۲ 5.3 - Folium Part 2

  • 5.4 - IpyLeaflet 5.4 - IpyLeaflet

  • 5.5 - Plotly Express 5.5 - Plotly Express

  • 5.6 - تمرین 5.6 - Assignment

عملیات پیشرفته Advanced Operations

  • 6.1 مقدمه 6.1 Introduction

  • 6.2 - کدگذاری جغرافیایی (Geocoding) 6.2 - Geocoding

  • 6.3 - کدگذاری جغرافیایی معکوس (Reverse Geocoding) 6.3 - Reverse Geocoding

  • 6.4 - دریافت داده‌های OpenStreetMap 6.4 - Retrieve Openstreetmap data

  • 6.5 - نکات برای افزایش سرعت پردازش مکانی 6.5 - Tips to speed up Geospatial processing

نمایش نظرات

آموزش تحلیل مکانی و علم داده‌های مکانی با پایتون
جزییات دوره
2 hours
36
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
2,887
4.2 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Abdishakur Awil Hassan Abdishakur Awil Hassan

دانشمند داده های مکانی