آموزش مدل های توزیع گونه ها با GIS و یادگیری ماشین در R

Species Distribution Models with GIS & Machine Learning in R

نکته: آخرین آپدیت رو دریافت میکنید حتی اگر این محتوا بروز نباشد.
نمونه ویدیوها:
توضیحات دوره: تهیه نقشه مناسب زیستگاه برای حفاظت با استفاده از یادگیری ماشین و GIS در R شما وضوح بیشتری از مفاهیم اولیه داده های مکانی و انواع داده ها خواهید داشت. بسته‌ها در R و RStudio علاقه به یادگیری پیاده‌سازی تکنیک‌های GIS در R علاقه به استفاده از یادگیری ماشین برای داده‌های مکانی

                آیا بوم شناس یا طرفدار محیط زیست علاقه مند به یادگیری GIS و یادگیری ماشین در R هستید؟

  • آیا شما یک بوم شناس/حافظ محیط زیست هستید که به دنبال انجام نقشه برداری مناسب زیستگاه هستید؟
  • آیا شما یک بوم شناس/حافظ محیط زیست هستید که به دنبال شروع با R برای دسترسی به داده های زیست محیطی و تجزیه و تحلیل GIS هستید؟
  • آیا می خواهید مدل های یادگیری ماشین عملی را در R پیاده سازی کنید؟

پس این دوره برای شما مناسب است! من شما را به ماجراجویی در زمینه شگفت‌انگیز یادگیری ماشین و GIS برای مدل‌سازی زیست‌محیطی می‌برم. نحوه پیاده‌سازی مدل‌سازی توزیع گونه‌ها/نقشه‌برداری زیستگاه‌های مناسب برای گونه‌ها در R. 

را خواهید آموخت.

اسم من MINERVA SINGH است و من فارغ التحصیل کارشناسی ارشد دانشگاه آکسفورد (جغرافی و محیط زیست) هستم. من یک دکترا را در دانشگاه کمبریج (اکولوژی و حفاظت گرمسیری) به پایان رساندم. من چندین سال تجربه در تجزیه و تحلیل داده‌های فضایی واقعی از منابع مختلف و تولید انتشارات برای مجلات بین‌المللی بررسی شده دارم.

در این دوره، داده‌های مکانی واقعی از شبه جزیره مالزی برای ارائه یک تجربه عملی عملی از کار با داده‌های فضایی واقعی برای نقشه‌برداری مناسب زیستگاه در ارتباط با مدل‌های کلاسیک SDM مانند MaxEnt و جایگزین‌های یادگیری ماشینی مانند تصادفی استفاده خواهد شد. جنگل ها انگیزه اصلی این دوره این است که اطمینان حاصل شود که می‌توانید امروز تجزیه و تحلیل داده‌های مکانی و یادگیری ماشین را در عمل پیاده کنید. داده‌های زیست‌محیطی را برای پروژه‌های خود، فارغ از سطح مهارت‌تان، شروع کنید و کارفرمایان بالقوه‌تان را با نمونه‌های واقعی از GIS و مهارت‌های یادگیری ماشین در R.

تحت تأثیر قرار دهید.

تعداد زیادی دوره آموزشی مبتنی بر R و یادگیری ماشین و GIS وجود دارد، چرا این یکی؟

این یک سوال معتبر است و پاسخ آن ساده است. این تنها دوره آموزشی Udemy است که به شما کمک می‌کند تا برخی از رایج‌ترین الگوریتم‌های یادگیری ماشین را بر روی داده‌های زیست‌محیطی واقعی در R پیاده‌سازی کنید. با استفاده از داده های زندگی واقعی دانش‌آموزان همچنین با اجرای برخی از رایج‌ترین سیستم‌های اطلاعات جغرافیایی (GIS) و تکنیک‌های تجزیه و تحلیل داده‌های مکانی در R آشنا خواهند شد.

شما یاد خواهید گرفت که از قدرت GIS و یادگیری ماشین در R برای مدل‌سازی زیست‌محیطی استفاده کنید.

من این دوره آموزشی را برای هر کسی که می خواهد به روشی ساده و سرگرم کننده بدون یادگیری ریاضیات پیچیده یا توضیحات خسته کننده، آخرین هنر را در یادگیری ماشین یاد بگیرد، طراحی کرده ام. بله، حتی افراد غیر بوم‌شناس هم می‌توانند با تکنیک‌های یادگیری ماشینی عملی در R شروع کنند، در حالی که از طریق داده‌های واقعی کار می‌کنند.

آنچه در این دوره آموزشی خواهید آموخت

ساختار دوره به این صورت است:

  • مقدمه  – مقدمه ای بر SDM ها و تهیه نقشه مناسب زیستگاه
  • مبانی GIS برای مدل‌های توزیع گونه‌ها (SDM)  – برخی از رایج‌ترین GIS و وظایف تجزیه و تحلیل داده‌ها مربوط به SDM‌ها از جمله دسترسی به داده‌های حضور گونه‌ها از طریق R
  • را خواهید آموخت.
  • پیش پردازش رستر و داده های مکانی برای SDM ها - آموزش GIS مبتنی بر R شما ادامه خواهد داشت و برای اجرای برخی از رایج ترین تکنیک های GIS بر روی رستر و سایر داده های مکانی درآمد کسب خواهید کرد
  • تکنیک‌های کلاسیک SDM  - مقدمه‌ای بر مدل‌های کلاسیک و اجرای آنها در R (MaxENT و Bioclim)
  • مدل‌های یادگیری ماشینی برای تناسب زیستگاه - تکنیک‌های رایج ML را برای ساختن نقشه‌های مناسب زیستگاهی برای پرندگان شبه جزیره مالزی پیاده‌سازی و تفسیر کنید.


این یک دوره عملی و عملی است، یعنی مدتی را صرف پرداختن به برخی از مفاهیم نظری خواهیم کرد. با این حال، اکثر دوره بر اجرای تکنیک‌های مختلف بر روی داده‌های واقعی و تفسیر نتایج تمرکز می‌کند. بعد از هر ویدیو، مفهوم یا تکنیک جدیدی را یاد خواهید گرفت که می‌توانید آن را در پروژه‌های خود به کار ببرید.

همین امروز اقدام کنید! من شخصاً از شما حمایت می‌کنم و مطمئن می‌شوم که تجربه شما از این دوره موفقیت‌آمیز است. و به هر دلیلی که از این دوره ناراضی هستید، Udemy یک خط مشی بازپرداخت 30 روزه دارد، بنابراین هیچ سوالی پرسیده نمی شود، هیچ بحثی و خطری برای شما وجود ندارد. چیزی برای از دست دادن نداری روی دکمه ثبت نام کلیک کنید و ما شما را در کنار دوره خواهیم دید.


سرفصل ها و درس ها

مقدمه ای بر دوره مدل سازی پراکنش گونه ها Introduction to the Species Distribution Modelling Course

  • مقدمه دوره: مدرس و جزئیات دوره INTRODUCTION TO THE COURSE: Instructor & Course Details

  • مدل سازی توزیع گونه ها چیست؟ What is Species Distribution Modelling?

  • داده های مورد استفاده در دوره Data used in the course

  • مقدمه ای بر R برای مدل سازی مناسب زیستگاه Introduction to R for habitat suitability modelling

  • نتیجه گیری در بخش 1 Conclusion to Section 1

مبانی GIS برای مدل‌های توزیع گونه‌ها (SDM) - بخش 1 The Basics of GIS for Species Distribution Models (SDMs)-Part 1

  • از کجا می توان داده های شطرنجی را برای ساخت SDM ها به دست آورد Where to Obtain Raster Data for Building SDMs

  • دسترسی و پاکسازی داده های GBIF Accessing and Cleaning GBIF Data

  • سایر منابع داده های موقعیت جغرافیایی گونه ها Other Sources of Species Geo-location Data

  • استخراج داده های موقعیت جغرافیایی گونه ها از منابع دیگر در R Extract Species Geo-location Data from Other Sources in R

  • دسترسی به اطلاعات آب و هوا و دیگر از طریق R Access Climate & Other Data via R

  • کار با داده های ارتفاع در R Working With Elevation Data in R

  • استخراج محصولات توپوگرافی از داده های ارتفاعی Deriving Topographic Products from Elevation Data

  • نتیجه گیری در بخش 2 Conclusions to Section 2

پیش پردازش رستر و داده های فضایی برای SDM ها Pre-Processing Raster and Spatial Data for SDMs

  • برخی از پیش نیازها Some Prerequisites

  • CRS داده ها CRS of the Data

  • داده های شطرنجی را تا حد معینی برش دهید Clip Raster Data to a Given Extent

  • اندازه داده های رستر را تغییر دهید Resize the Raster Data

  • تجسم داده های پایه Basic Data Visualization

  • نتیجه گیری در بخش 3 Conclusions to Section 3

تکنیک های SDM کلاسیک Classical SDM Techniques

  • منطق زیربنایی Underlying Rationale

  • Bioclim Bioclim

  • ارزیابی مدل Model Evaluation

  • رابط Maxent در R Maxent Interface in R

  • Maxent SDM در R Maxent SDM in R

  • Maxent Analysis با بسته قرمز Maxent Analysis with the red package

  • SDM دامنه در R Domain SDM in R

  • نتیجه گیری در بخش 4 Conclusion to Section 4

مدل های یادگیری ماشین برای مناسب بودن زیستگاه Machine Learning Models for Habitat Suitability

  • مدلسازی یادگیری ماشینی Machine Learning Modelling

  • مراحل پیش پردازش قبل از مدل سازی با داده های حضور و غیاب Pre-processing Steps Prior to Modelling With Presence & Absence Data

  • قبل از پیاده سازی یادگیری ماشینی Prior to Implementing Machine Learning

  • GLM برای مناسب بودن زیستگاه GLMs for Habitat Suitability

  • ماشین‌های بردار پشتیبانی Support Vector Machines

  • kNN kNN

  • جنگل تصادفی (RF) Random Forest (RF)

  • دستگاه تقویت گرادیان (GBM) Gradient Boosting Machine (GBM)

  • ارزیابی بیشتر مدل Further Model Evaluation

  • نتیجه گیری در بخش 5 Conclusions to Section 5

سخنرانی های اضافی Extra Lectures

  • رام Elevation Data را در داخل R بدست آورید Obtain Elevation Data rom Within R

  • چگالی نقطه را ارزیابی کنید Evaluate Point Density

  • معرفی بروشور Introduction to Leaflet

  • Github Github

  • تایم لپس برزیل Brazil Time Lapse

  • اختصاص Legends در QGIS Assign Legends in QGIS

نمایش نظرات

آموزش مدل های توزیع گونه ها با GIS و یادگیری ماشین در R
جزییات دوره
4 hours
43
Udemy (یودمی) Udemy (یودمی)
(آخرین آپدیت)
7,732
4.1 از 5
دارد
دارد
دارد
Minerva Singh
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Minerva Singh Minerva Singh

دانشمند تحصیل کرده آکسبریج

سلام. من فارغ التحصیل دکترا از دانشگاه کمبریج هستم که در آنجا در اکولوژی گرمسیری تخصص دارم. من همچنین یک دانشمند داده هستم. به عنوان بخشی از تحقیقاتم، باید تجزیه و تحلیل گسترده داده‌ها، از جمله تجزیه و تحلیل داده‌های مکانی را انجام دهم. یا برای این منظور ترجیح می‌دهم از ترکیبی از ابزارهای رایگان نرم‌افزار R، QGIS و Python استفاده کنم. بیشتر کار تجزیه و تحلیل داده‌های مکانی خود را با استفاده از R انجام می‌دهم. و QGIS. اینها جدا از رایگان بودن، ابزارهای بسیار قدرتمندی برای تجسم، پردازش و تجزیه و تحلیل داده ها هستند. من همچنین دارای مدرک کارشناسی ارشد جغرافیا و محیط زیست از دانشگاه آکسفورد هستم. من مهارت های آماری و تجزیه و تحلیل داده های خود را از طریق تعدادی MOOC از جمله The Analytics Edge (دوره آماری مبتنی بر R و یادگیری ماشین ارائه شده توسط EdX)، یادگیری آماری (دوره یادگیری ماشین مبتنی بر R ارائه شده توسط Standford آنلاین) تقویت کرده ام. علاوه بر تجزیه و تحلیل داده های مکانی، در تجزیه و تحلیل آماری، یادگیری ماشین و داده کاوی نیز مهارت دارم. من همچنین از برنامه نویسی عمومی، تجسم داده ها و توسعه وب لذت می برم. من علاوه بر اینکه یک دانشمند و اعداد شکن هستم، یک مسافر مشتاق هستم