این دوره آموزشی، یک مسیر یادگیری گام به گام را برای شما فراهم می‌کند تا از مفاهیم پایه یادگیری عمیق تا کاربردهای پیشرفته آن در ArcGIS را فرا بگیرید. سرفصل‌های کلیدی دوره عبارتند از:

• مقدمه‌ای بر یادگیری عمیق: شما با مفاهیم اساسی یادگیری عمیق، شبکه‌های عصبی، و انواع مختلف الگوریتم‌های یادگیری عمیق آشنا خواهید شد.
• آماده‌سازی داده‌ها برای یادگیری عمیق در ArcGIS: یاد می‌گیرید چگونه داده‌های GIS خود را برای آموزش مدل‌های یادگیری عمیق آماده کنید. این شامل پاکسازی داده‌ها، تبدیل فرمت‌ها، و ایجاد لایه‌های آموزشی است.
• آموزش مدل‌های یادگیری عمیق در ArcGIS: نحوه استفاده از ابزارهای ArcGIS Pro برای آموزش مدل‌های یادگیری عمیق، از جمله شبکه‌های عصبی کانولوشنال (CNN) و شبکه‌های عصبی بازگشتی (RNN) را خواهید آموخت.
• ارزیابی و بهبود مدل‌های یادگیری عمیق: یاد می‌گیرید چگونه عملکرد مدل‌های یادگیری عمیق خود را ارزیابی کنید و با استفاده از تکنیک‌های مختلف، دقت و کارایی آن‌ها را بهبود بخشید.
• پیاده‌سازی مدل‌های یادگیری عمیق در پروژه‌های GIS: نحوه استفاده از مدل‌های یادگیری عمیق آموزش‌دیده برای حل مسائل واقعی GIS، مانند طبقه‌بندی کاربری اراضی، شناسایی ساختمان‌ها، و پیش‌بینی سیل را خواهید آموخت.
• کاربردهای پیشرفته یادگیری عمیق در GIS: با کاربردهای پیشرفته یادگیری عمیق در GIS، مانند پردازش زبان طبیعی (NLP) برای تحلیل متون جغرافیایی، و یادگیری انتقالی (Transfer Learning) برای استفاده از مدل‌های پیش‌آموزش‌دیده آشنا خواهید شد.

شرکت در این دوره آموزشی مزایای متعددی برای شما به همراه خواهد داشت، از جمله:

• ارتقای مهارت‌های GIS: با یادگیری یادگیری عمیق، مهارت‌های GIS خود را به سطح بالاتری ارتقا می‌دهید و توانایی حل مسائل پیچیده‌تر را پیدا می‌کنید.
• افزایش فرصت‌های شغلی: با تسلط بر یادگیری عمیق در ArcGIS، فرصت‌های شغلی بیشتری در زمینه‌های مختلف GIS، از جمله برنامه‌ریزی شهری، مدیریت منابع طبیعی، و مهندسی عمران خواهید داشت.
• افزایش کارایی و دقت پروژه‌های GIS: با استفاده از یادگیری عمیق، می‌توانید کارایی و دقت پروژه‌های GIS خود را به طور قابل توجهی افزایش دهید.
• دسترسی آفلاین: این دوره به صورت آفلاین بر روی فلش مموری 32 گیگابایتی ارائه می‌شود، بنابراین می‌توانید در هر زمان و مکانی به آن دسترسی داشته باشید، حتی بدون نیاز به اینترنت.
• یادگیری عملی: دوره شامل مثال‌های عملی و پروژه‌های کاربردی است که به شما کمک می‌کند تا مفاهیم را به طور عمیق درک کنید و مهارت‌های خود را در عمل به کار بگیرید.

برای شرکت در این دوره، آشنایی اولیه با مفاهیم GIS و نرم‌افزار ArcGIS Pro ضروری است. همچنین، داشتن دانش پایه‌ای در زمینه آمار و احتمال نیز مفید خواهد بود. اگرچه دانش قبلی در زمینه یادگیری عمیق الزامی نیست، اما آشنایی با مفاهیم برنامه‌نویسی (ترجیحاً پایتون) می‌تواند به شما در یادگیری بهتر کمک کند.

این دوره آموزشی به چندین بخش اصلی تقسیم شده است تا فرآیند یادگیری را سازماندهی و تسهیل کند. برخی از بخش‌های کلیدی عبارتند از:

• بخش اول: مقدمه‌ای بر یادگیری عمیق و کاربردهای آن در GIS. در این بخش، مفاهیم پایه یادگیری عمیق، انواع شبکه‌های عصبی، و کاربردهای مختلف یادگیری عمیق در زمینه‌های مختلف GIS معرفی می‌شوند.
• بخش دوم: آماده‌سازی داده‌ها برای یادگیری عمیق در ArcGIS Pro. در این بخش، نحوه آماده‌سازی داده‌های GIS برای آموزش مدل‌های یادگیری عمیق، از جمله پاکسازی داده‌ها، تبدیل فرمت‌ها، و ایجاد لایه‌های آموزشی آموزش داده می‌شود.
• بخش سوم: آموزش مدل‌های یادگیری عمیق در ArcGIS Pro. در این بخش، نحوه استفاده از ابزارهای ArcGIS Pro برای آموزش مدل‌های یادگیری عمیق، از جمله شبکه‌های عصبی کانولوشنال (CNN) و شبکه‌های عصبی بازگشتی (RNN) به صورت عملی آموزش داده می‌شود.
• بخش چهارم: ارزیابی و بهبود مدل‌های یادگیری عمیق. در این بخش، نحوه ارزیابی عملکرد مدل‌های یادگیری عمیق و استفاده از تکنیک‌های مختلف برای بهبود دقت و کارایی آن‌ها آموزش داده می‌شود.
• بخش پنجم: پیاده‌سازی مدل‌های یادگیری عمیق در پروژه‌های GIS. در این بخش، نحوه استفاده از مدل‌های یادگیری عمیق آموزش‌دیده برای حل مسائل واقعی GIS، مانند طبقه‌بندی کاربری اراضی، شناسایی ساختمان‌ها، و پیش‌بینی سیل به صورت عملی آموزش داده می‌شود.
• بخش ششم: پروژه‌های عملی یادگیری عمیق در GIS. در این بخش، چندین پروژه عملی با استفاده از یادگیری عمیق در GIS انجام می‌شود تا شرکت‌کنندگان بتوانند مهارت‌های خود را در عمل به کار بگیرند. برای مثال، یک پروژه ممکن است شامل شناسایی خودکار ساختمان‌ها از تصاویر هوایی با استفاده از CNN باشد.

مثال عملی: شناسایی ساختمان‌ها از تصاویر هوایی با استفاده از CNN

در این پروژه، شما یاد می‌گیرید چگونه با استفاده از شبکه‌های عصبی کانولوشنال (CNN)، ساختمان‌ها را به طور خودکار از تصاویر هوایی شناسایی کنید. این فرایند شامل مراحل زیر است:

1. جمع‌آوری و آماده‌سازی داده‌های آموزشی (تصاویر هوایی و داده‌های مربوط به موقعیت ساختمان‌ها).
2. آموزش یک مدل CNN بر روی داده‌های آموزشی.
3. ارزیابی عملکرد مدل بر روی داده‌های آزمایشی.
4. استفاده از مدل آموزش‌دیده برای شناسایی ساختمان‌ها در تصاویر جدید.