در این دوره، با محوریت پلتفرم ArcGIS Pro و ArcGIS API for Python، دانشجو یاد می‌گیرد چگونه داده‌های مکانی را برای استفاده در مدل‌های یادگیری عمیق آماده کند و مدل‌های تخصصی را پیاده‌سازی و ارزیابی نماید.

• آشنایی با اصول یادگیری عمیق و معماری‌های رایج (CNN, R-CNN, U-Net)
• پیش‌پردازش تصاویر ماهواره‌ای و پهنه‌بندی داده‌ها
• ساخت و آموزش مدل‌های تشخیص ویژگی (Object Detection)
• پیاده‌سازی مدل‌های تقسیم‌بندی (Image Segmentation)
• ارزیابی دقت مدل و انتخاب معیارهای مناسب (Accuracy, Precision, Recall)
• بهینه‌سازی مدل با تنظیمگرهای (Hyperparameter Tuning)
• استفاده از ArcGIS Notebook برای گردش کار خودکار

• ارتقای مهارت‌های فنی: فراگیری تکنیک‌های نوین یادگیری عمیق در محیط GIS
• کاربرد عملی: پروژه‌های واقعی با داده‌های ماهواره‌ای و پهپادی
• پشتیبانی تخصصی: دسترسی به انجمن دانشجویان و اساتید دوره
• گواهی پایان دوره: مدرک معتبر برای ارتقای رزومه و فرصت‌های شغلی
• به‌روز بودن محتوا: پوشش آخرین نسخه‌های نرم‌افزار ArcGIS و کتابخانه‌های یادگیری عمیق

برای بهره‌مندی کامل از مطالب این دوره، لازم است دانشجو پیش‌زمینه‌ای در موارد زیر داشته باشد:

• آشنایی پایه با GIS و کار با ArcGIS Pro
• مهارت‌های مقدماتی در زبان برنامه‌نویسی Python
• درک مفاهیم پایه‌ای آمار و یادگیری ماشین
• دسترسی به سیستم با حداقل RAM 8GB و کارت گرافیک مناسب برای آموزش مدل‌ها

دوره در قالب ویدئوی آموزشی، تمرین‌های عملی و اسناد راهنما ارائه می‌شود. سرفصل‌های اصلی عبارت‌اند از:

• بخش 1: معرفی یادگیری عمیق و کاربردها در GIS
• بخش 2: آماده‌سازی داده‌های مکانی و مدیریت پروژه در ArcGIS Pro
• بخش 3: آشنایی با ArcGIS Notebook و تفسیر نتایج
• بخش 4: ساخت مدل‌های تشخیص آبجکت و بهینه‌سازی آن‌ها
• بخش 5: پیاده‌سازی تقسیم‌بندی تصاویر و استخراج ویژگی‌های مکانی
• بخش 6: ارزیابی عملکرد مدل‌ها و بهبود مستمر
• بخش 7: پروژه نهایی – از دریافت داده تا ارائه نقشه و گزارش

در طول دوره، چندین مثال کاربردی بررسی می‌شود تا دانشجو مهارت خود را در پروژه‌های واقعی محک بزند:

• تشخیص خودکار ساختمان‌ها و محاسبه مساحت کل در تصاویر ماهواره‌ای شهری
• تقسیم‌بندی پوشش گیاهی و ارزیابی تغییرات سالانه در مناطق کشاورزی
• شناسایی مسیرهای رودخانه و پهنه‌های پرآب با استفاده از تصاویر هوایی
• استفاده از یادگیری عمیق برای کشف آسیب‌های زیست‌محیطی در نواحی جنگلی

• شروع با داده‌های کوچک: ابتدا با یک زیرمجموعه داده تمرین کنید تا سرعت آموزش و اشکال‌زدایی بالاتر رود.
• مستندسازی کدها: در ArcGIS Notebook برای هر سلول توضیح بنویسید تا گردش کار قابل پیگیری باشد.
• ارزیابی مداوم: پس از هر مرحله آموزش، عملکرد مدل را با داده‌های تست ارزیابی کنید.
• بهره‌گیری از GPU: در صورت امکان از کارت گرافیک برای تسریع فرآیند آموزش استفاده کنید.
• به‌روزرسانی مستمر: کتابخانه‌های TensorFlow و PyTorch را به جدیدترین نسخه ارتقا دهید.