لطفا جهت اطلاع از آخرین دوره ها و اخبار سایت در
کانال تلگرام
عضو شوید.
آموزش مبانی GeoAI: یادگیری عمیق برای تحلیلهای زمینفضایی
- آخرین آپدیت
دانلود Fundamentals of GeoAI: Deep Learning for Geospatial Analysis
نکته:
ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره:
مدلهای U-Net را در PyTorch برای تصاویر ماهوارهای، نقشهبرداری محصولات کشاورزی، تشخیص تغییرات، قطعهبندی ساختمانها و دادههای LiDAR بسازید.
در این دوره، مدلهای یادگیری عمیق U-Net را در PyTorch برای قطعهبندی پیکسلبه-پیکسل تصاویر ماهوارهای و هوایی از صفر طراحی و آموزش خواهید داد.
کاربردهای واقعی GeoAI را پیادهسازی کنید: از نقشهبرداری محصولات و تشخیص تغییرات زمانی گرفته تا قطعهبندی ساختمانها و تحلیلهای شهری با LiDAR.
دادههای ماهوارهای واقعی را از AWS Sentinel-2 و منابع دولتی LiDAR برای خط لولههای یادگیری عمیق دانلود و پیشپردازش کنید.
مدلهای یادگیری عمیق فضایی را با استفاده از تقسیمبندیهای جغرافیایی صحیح (train/test splits) ارزیابی کنید تا از نشت دادهها (data leakage) جلوگیری شده و تعمیمپذیری مدل در دنیای واقعی تضمین شود.
نقشههای زمینفضایی تعاملی با Folium ایجاد کنید تا پیشبینیهای یادگیری عمیق را در مزارع، ساختمانها و مناطق شهری بصریسازی و مقایسه نمایید.
پیشنیازها: تجربه پایه در برنامهنویسی پایتون (حلقهها، توابع و کار با کتابخانههایی مانند NumPy و Matplotlib).
آشنایی با مفاهیم دادههای رستر زمینفضایی (پیکسلها، باندها و سیستمهای مختصاتی).
یک کامپیوتر دارای Anaconda یا توانایی راهاندازی محیط پایتون (دستورالعملهای نصب در دوره ارائه شده است).
عدم نیاز به تجربه قبلی در یادگیری عمیق یا PyTorch؛ مبانی شبکههای عصبی در ماژول اول از صفر آموزش داده میشوند.
چه در زمینه GIS، سنجش از دور، علوم محیطی یا علوم داده فعالیت کنید، یادگیری عمیق به سرعت در حال تغییر نحوه تحلیل ما از جهان از نمای بالا است. این دوره پایه کاربردی لازم برای کار با اعتماد به نفس در GeoAI را به شما میدهد؛ ساخت مدلهای واقعی روی دادههای واقعی، از صفر.
در پنج ماژول عملی، با مهمترین کاربردهای یادگیری عمیق زمینفضایی امروز مواجه خواهید شد: نقشهبرداری محصولات از تصاویر ماهوارهای Sentinel-2، تشخیص تغییرات زمانی با استفاده از Siamese U-Net، قطعهبندی ساختمانها از تصاویر هوایی با تفکیکپذیری بسیار بالا و قطعهبندی شهری چندکلاسه از دادههای ارتفاعی LiDAR.
تمام مجموعهدادههای این دوره واقعی و بهصورت رایگان در دسترس هستند. تصاویر Sentinel-2 مستقیماً از کاتالوگ STAC در AWS Earth Search دانلود میشوند. تصاویر هوایی از پورتال زمینفضایی دولت هلند با رزولوشن ۷.۵ سانتیمتر و تایلهای LiDAR از پورتال دادههای باز دولت اسکاتلند تامین شدهاند. هیچ داده مصنوعی یا مثالهای سادهای در این دوره وجود ندارد.
هر مدل از صفر در PyTorch ساخته میشود. شما فیلترهای کانولوشنی تک، بلوکهای رمزگذار (Encoder) و رمزگشا (Decoder) را گامبهگام پیادهسازی کرده، معماریهای کامل U-Net را اسمبل کرده و آنها را روی مسائل واقعی زمینفضایی آموزش میدهید. این دوره همچنین یک Siamese U-Net را پوشش میدهد؛ معماری تخصصی طراحی شده برای تشخیص تغییرات که دو تصویر را بهطور همزمان پردازش میکند.
تمرکز متدولوژیک کل دوره بر انجام صحیح کارها است. هر ماژول از تقسیمبندیهای فضایی مناسب برای آموزش و تست استفاده میکند تا از نشت دادهها جلوگیری شود و اطمینان حاصل گردد که مدلها روی مناطقی ارزیابی میشوند که هرگز ندیدهاند. این روش استاندارد یادگیری عمیق حرفهای در دنیای واقعی است و تفاوت این دوره را با آموزشهای عمومی قطعهبندی تصاویر مشخص میکند.
در پایان این دوره شما قادر خواهید بود:
مدلهای U-Net را در PyTorch برای قطعهبندی پیکسلبه-پیکسل بسازید و آموزش دهید
دادههای واقعی ماهوارهای، هوایی و LiDAR را بهصورت کامل (End-to-End) پردازش کنید
تقسیمبندیهای فضایی آموزش/تست را برای ارزیابی صادقانه مدل پیادهسازی کنید
نقشههای تعاملی Folium را برای بصریسازی و مقایسه پیشبینیهای مدل ایجاد کنید
یادگیری عمیق را در نقشهبرداری محصولات، تشخیص تغییرات، استخراج ساختمانها و طبقهبندی شهری به کار ببرید
هیچ تجربه قبلی در یادگیری عمیق یا PyTorch لازم نیست. ماژول اول مبانی کامل را از اصول اولیه میسازد و سپس در ماژولهای بعدی بر روی مسائل پیچیدهتر زمینفضایی اعمال میکند. تجربه پایه در پایتون و آشنایی با مفاهیم دادههای رستر توصیه میشود.
این دوره GeoAI برای کسانی ساخته شده است که میخواهند کار واقعی انجام دهند، نه اینکه فقط تئوری را بفهمند.
نمایش نظرات