اپلیکیشن اندرویدی فلش‌کارت آموزشی از OSM تا هوش مصنوعی: ارزیابی جامع کیفیت مجموعه‌داده‌های ساختمان باز برای نقشه‌برداری نابرابری‌های شهری

349,950 تومان
از OSM تا هوش مصنوعی: نقشه راهی برای عدالت شهری از OSM تا هوش مصنوعی: ارزیابی جامع کیفیت مجموعه‌داده‌های ساختمان باز برای نقشه‌برداری نابرابری‌های شهری آیا می‌دانید چگونه داده‌های مکانی می‌توانند کلید...
پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 87,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره از OSM تا هوش مصنوعی: ارزیابی جامع کیفیت مجموعه‌داده‌های ساختمان باز برای نقشه‌برداری نابرابری‌های شهری

موضوع کلی: تحلیل و ارزیابی داده‌های مکانی

موضوع میانی: ارزیابی کیفیت مجموعه‌داده‌های ساختمان باز برای نقشه‌برداری شهری

📋 سرفصل‌های دوره

  • 1. مقدمه‌ای بر نابرابری شهری و نقش داده‌های مکانی
  • 2. چرا ارزیابی کیفیت داده‌ها حیاتی است؟
  • 3. معرفی مقاله الهام‌بخش و اهداف دوره
  • 4. مفاهیم کلیدی: داده‌های باز، GIS و تحلیل شهری
  • 5. ساختمان‌ها به عنوان واحد تحلیل: اهمیت ردپای ساختمان (Building Footprint)
  • 6. معرفی OpenStreetMap (OSM): قدرت داده‌های جمع‌سپاری شده
  • 7. معرفی مجموعه داده Microsoft Building Footprints
  • 8. معرفی مجموعه داده Google Open Buildings
  • 9. مقایسه اولیه سه مجموعه داده اصلی: OSM، مایکروسافت و گوگل
  • 10. اخلاق داده در تحلیل‌های شهری و نابرابری
  • 11. مبانی سیستم‌های اطلاعات مکانی (GIS)
  • 12. انواع داده‌های مکانی: وکتور و رستر
  • 13. سیستم‌های مختصات و تصویر (Projections)
  • 14. ساختار داده‌های ساختمانی: پلی‌گون‌ها و ت‌ها
  • 15. آشنایی با نرم‌افزارهای کلیدی: QGIS و پایتون (GeoPandas)
  • 16. تاریخچه و روش تولید داده‌های ساختمانی در OpenStreetMap
  • 17. روش تولید داده‌های مایکروسافت با استفاده از هوش مصنوعی
  • 18. روش تولید داده‌های گوگل با استفاده از یادگیری عمیق
  • 19. ساختار داده و ویژگی‌ها (Attributes) در OSM
  • 20. ساختار داده و ویژگی‌ها در مجموعه داده‌های هوش مصنوعی
  • 21. نقاط قوت و ضعف داده‌های جمع‌سپاری شده (OSM)
  • 22. نقاط قوت و ضعف داده‌های تولید شده توسط هوش مصنوعی
  • 23. راهنمای دسترسی و دانلود داده‌های OpenStreetMap
  • 24. راهنمای دسترسی و دانلود داده‌های Microsoft و Google
  • 25. فرمت‌های رایج داده‌های ساختمانی (Shapefile, GeoJSON, GeoPackage)
  • 26. چالش‌های کار با داده‌های جهانی در مقیاس محلی
  • 27. مطالعه موردی: تفاوت‌های داده‌ای در یک منطقه شهری خاص
  • 28. داده‌های مرجع (Ground Truth): چیستی و ضرورت
  • 29. روش‌های ایجاد و گردآوری داده‌های مرجع
  • 30. چرا کیفیت داده مکانی اهمیت دارد؟ استاندارد ISO 19157
  • 31. بعد اول کیفیت: کامل بودن (Completeness)
  • 32. کامل بودن: خطای حذف (Omission Error)
  • 33. کامل بودن: خطای افزودن (Commission Error)
  • 34. بعد دوم کیفیت: دقت مکانی (Positional Accuracy)
  • 35. معیارهای ارزیابی دقت مکانی: RMSE و انحراف معیار
  • 36. بعد سوم کیفیت: دقت توصیفی (Attribute Accuracy)
  • 37. بعد چهارم کیفیت: سازگاری منطقی (Logical Consistency)
  • 38. بررسی همپوشانی و شکاف بین پلی‌گون‌های ساختمان
  • 39. بعد پنجم کیفیت: کیفیت زمانی (Temporal Quality)
  • 40. اهمیت به‌روز بودن داده‌ها در تحلیل‌های شهری
  • 41. انتخاب شهرهای مورد مطالعه: معیارها و چالش‌ها
  • 42. پیش‌پردازش داده‌ها: پاک‌سازی و یکسان‌سازی سیستم مختصات
  • 43. برش (Clipping) داده‌ها به محدوده مطالعاتی
  • 44. کارگاه عملی: آماده‌سازی داده‌های OSM برای تحلیل
  • 45. کارگاه عملی: آماده‌سازی داده‌های مایکروسافت و گوگل
  • 46. روش‌شناسی ارزیابی کامل بودن: مقایسه با داده مرجع
  • 47. محاسبه نرخ تشخیص صحیح (True Positive Rate)
  • 48. محاسبه نرخ تشخیص اشتباه (False Positive Rate)
  • 49. روش‌شناسی ارزیابی دقت مکانی
  • 50. محاسبه شاخص اشتراک مساحت (Intersection over Union - IoU)
  • 51. تحلیل انطباق مکانی و هم‌ترازی ساختمان‌ها
  • 52. روش‌شناسی ارزیابی دقت شکلی (Shape Accuracy)
  • 53. مقایسه مساحت و محیط پلی‌گون‌ها
  • 54. کارگاه عملی: پیاده‌سازی ارزیابی کامل بودن در QGIS/Python
  • 55. کارگاه عملی: پیاده‌سازی ارزیابی دقت مکانی و شکلی
  • 56. تفسیر نتایج ارزیابی کیفیت: چه چیزی را به ما می‌گویند؟
  • 57. مقایسه تطبیقی کیفیت داده‌ها بین شهرهای مختلف
  • 58. تحلیل تأثیر ویژگی‌های شهری (تراکم، بافت) بر کیفیت داده
  • 59. ارتباط بین روش تولید داده و نوع خطاهای مشاهده شده
  • 60. مقدمه‌ای بر شاخص‌های نابرابری شهری
  • 61. چگونه داده‌های ساختمانی می‌توانند نابرابری را نشان دهند؟
  • 62. شاخص اول: تراکم ساختمانی و الگوهای استقرار
  • 63. شاخص دوم: اندازه و مساحت ساختمان‌ها
  • 64. شاخص سوم: دسترسی به فضای سبز و خدمات بر اساس توزیع ساختمان‌ها
  • 65. تحلیل الگوهای فضایی: تحلیل خوشه‌ای و نقاط داغ (Hot Spot Analysis)
  • 66. نقشه‌برداری توزیع ساختمان‌های شناسایی نشده (Omission)
  • 67. ارتباط بین خطاهای داده و مناطق محروم شهری
  • 68. کارگاه عملی: محاسبه شاخص‌های نابرابری از داده‌های ساختمانی
  • 69. بصری‌سازی نتایج: تکنیک‌های کارتوگرافی مؤثر برای نمایش نابرابری
  • 70. مطالعه موردی اول: تحلیل نابرابری در یک کلان‌شهر توسعه‌یافته
  • 71. مطالعه موردی دوم: تحلیل نابرابری در یک شهر در حال توسعه
  • 72. مقایسه نتایج حاصل از مجموعه داده‌های مختلف (OSM در برابر AI)
  • 73. کدام مجموعه داده برای تحلیل نابرابری مناسب‌تر است؟
  • 74. محدودیت‌های استفاده از داده‌های ردپای ساختمان (عدم وجود اطلاعات ارتفاع و کاربری)
  • 75. نقش هوش مصنوعی و یادگیری عمیق در بهبود تولید داده‌ها
  • 76. چالش‌های تشخیص ساختمان در مناطق با تراکم بالا و بافت غیررسمی
  • 77. تلفیق داده‌های ساختمانی با داده‌های اجتماعی-اقتصادی (سرشماری)
  • 78. استفاده از تحلیل‌های سه‌بعدی (3D) و داده‌های ارتفاعی (LiDAR)
  • 79. آینده داده‌های باز شهری و نقش شهروندان (Citizen Science)
  • 80. ملاحظات اخلاقی و حریم خصوصی در انتشار و تحلیل داده‌های دقیق مکانی
  • 81. چالش‌های مقیاس‌پذیری: از تحلیل محلی تا ارزیابی جهانی
  • 82. تأثیر سیاست‌های داده باز بر تحقیقات شهری
  • 83. ارزیابی کیفیت داده‌های OSM بر اساس سابقه مشارکت‌کنندگان
  • 84. تحلیل تأثیر زمان بر کیفیت داده‌ها (Temporal Analysis)
  • 85. استفاده از یادگیری ماشین برای پیش‌بینی کیفیت داده در مناطق ناشناخته
  • 86. استانداردسازی فرآیندهای ارزیابی کیفیت برای تکرارپذیری مطالعات
  • 87. چالش‌های معنایی: تعریف "ساختمان" در فرهنگ‌ها و شهرهای مختلف
  • 88. ارزیابی تأثیر خطاهای داده بر نتایج مدل‌سازی‌های شهری
  • 89. جمع‌بندی یافته‌های کلیدی دوره
  • 90. چالش‌های باز و مسیرهای تحقیقاتی آینده
  • 91. پروژه نهایی: طراحی و اجرای یک مطالعه ارزیابی کیفیت برای شهر شما
اپلیکیشن آموزشی اندروید
یادگیری هوشمند، همیشه همراه شما
فلش‌کارت‌های آموزشی را در یک محیط فارسی، ساده و کاربردی مرور کنید؛ پاسخ‌های خود را بسنجید و پیشرفت یادگیری‌تان را دنبال کنید.
مطالعه آفلاین محیط فارسی و راست‌چین ویژه اندروید
فلش‌کارت آموزشی؛ روشی کاربردی برای مرور مطالب

این اپلیکیشن فارسی برای یادگیری و مرور محتوای آموزشی از طریق فلش‌کارت طراحی شده است. کارت‌ها را یکی‌یکی مرور کنید، پاسخ پرسش‌ها را به یاد بیاورید و نتیجه هر پاسخ را ثبت کنید. محتوای دوره پس از نصب درون برنامه در دسترس است تا برای مطالعه روزمره معمولاً به اتصال مداوم اینترنت نیاز نداشته باشید.

📴
یادگیری بدون اینترنت مداوم
پس از نصب و در دسترس بودن محتوای دوره، فلش‌کارت‌ها را در زمان و مکان دلخواه مرور کنید.
🗂️
انواع محتوای آموزشی
از نکته‌های آموزشی تا پرسش‌های چهارگزینه‌ای و پرسش‌وپاسخ، مطالب را متناسب با نیاز خود مرور کنید.
📊
ارزیابی میزان یادگیری
پاسخ‌های درست و غلط خود را ثبت کنید و آمار عملکردتان را به تفکیک نوع محتوا ببینید.
🎯
مرور هدفمند فصل‌ها
فصل‌های موردنظر را انتخاب کنید و با استفاده از گزینه انتخاب همه، مرور فصل‌های مرورنشده را در اولویت قرار دهید.
انواع فلش‌کارت‌های قابل مرور

محتوای آموزشی در قالب‌های متنوع ارائه می‌شود تا هم برای یادگیری مفاهیم جدید و هم برای تثبیت آموخته‌ها قابل استفاده باشد.

💬
نکته‌های خودمانی
یادگیری ساده و روان
📘
نکته‌های رسمی و کتابی
مرور دقیق مفاهیم
📝
پرسش‌های چهارگزینه‌ای
سنجش آموخته‌ها
❓
پرسش‌وپاسخ
تمرین یادآوری پاسخ
🎓
درسنامه
مرور محتوای آموزشی
امکانات مرور و ارزیابی
حرکت ساده بین کارت‌ها
استفاده از دکمه‌های قبلی و بعدی و مشاهده نوار پیشرفت برای دنبال کردن روند مرور.
مشاهده پاسخ و توضیحات
برگرداندن کارت برای نمایش پاسخ و توضیحات در قالب‌هایی مانند تست و پرسش‌وپاسخ.
تنظیم اندازه فونت
انتخاب اندازه مناسب نوشته‌ها برای تجربه مطالعه راحت‌تر.
نمایش فرمول‌های ریاضی
پشتیبانی از نمایش صحیح فرمول‌ها و روابط ریاضی مبتنی بر LaTeX.
ثبت نتیجه و گزارش آماری
علامت‌گذاری هر پاسخ به‌صورت درست یا غلط و مشاهده تعداد و درصد موفقیت برای انواع محتوا.
طراحی‌شده برای مطالعه روزمره
  • رابط کاربری فارسی و راست‌چین با فونت وزیر.
  • تم روشن و تیره مطابق تنظیمات سیستم.
  • صفحه‌بندی ساده برای انتخاب دوره و شروع مرور.
  • نمایش تعداد دفعات مرور هر فصل.
  • انتخاب چند فصل برای مرور هم‌زمان.
  • امکان تمرکز بر فصل‌هایی که هنوز مرور نشده‌اند.
مناسب برای چه کسانی است؟

این اپلیکیشن برای دانش‌آموزان، دانشجویان، داوطلبان آزمون‌ها و علاقه‌مندان به یادگیری طراحی شده است؛ به‌ویژه کسانی که می‌خواهند مطالب آموزشی را در زمان‌های کوتاه مرور کنند، دانسته‌های خود را بسنجند و مطالعه منظم‌تری داشته باشند.

توجه: محتوای آموزشی و تعداد فلش‌کارت‌ها به دوره انتخاب‌شده بستگی دارد. محتوای دوره پس از نصب، درون برنامه قابل استفاده است؛ با این حال، دریافت اولیه اپلیکیشن و به‌روزرسانی‌های احتمالی ممکن است به اینترنت نیاز داشته باشند.
گالری تصاویر اپلیکیشن‌ها
محیط واقعی اپلیکیشن‌های آموزشی ما
تصاویر زیر، نمونه‌هایی از محیط واقعی اپلیکیشن‌های آموزشی ما هستند و قالب کلی، سبک طراحی و شیوه نمایش محتوای آموزشی در این برنامه‌ها را نشان می‌دهند.
نگاهی به فضای داخل برنامه
تصویر محیط اپلیکیشن آموزشی ۱
نمای اپلیکیشن ۱
تصویر محیط اپلیکیشن آموزشی ۲
نمای اپلیکیشن ۲
تصویر محیط اپلیکیشن آموزشی ۳
نمای اپلیکیشن ۳
تصویر محیط اپلیکیشن آموزشی ۴
نمای اپلیکیشن ۴
تصویر محیط اپلیکیشن آموزشی ۵
نمای اپلیکیشن ۵
تصویر محیط اپلیکیشن آموزشی ۶
نمای اپلیکیشن ۶
تصویر محیط اپلیکیشن آموزشی ۷
نمای اپلیکیشن ۷
تصویر محیط اپلیکیشن آموزشی ۸
نمای اپلیکیشن ۸
تصویر محیط اپلیکیشن آموزشی ۹
نمای اپلیکیشن ۹
تصویر محیط اپلیکیشن آموزشی ۱۰
نمای اپلیکیشن ۱۰
تصویر محیط اپلیکیشن آموزشی ۱۱
نمای اپلیکیشن ۱۱
نکته مهم درباره تصاویر
این تصاویر نمونه‌ای از قالب و سبک طراحی اپلیکیشن‌های آموزشی ما هستند. اپلیکیشن ارائه‌شده نیز از همین رویکرد طراحی و نمایش محتوای آموزشی پیروی می‌کند؛ جزئیات ظاهری و امکانات قابل مشاهده ممکن است متناسب با نوع دوره و بخش مورد استفاده متفاوت باشد.
تگ‌ها: Artificial Intelligence Building Data Data Evaluation data quality geoinformatics GIS Machine Learning Open Building Datasets OpenStreetMap OSM spatial data analysis Urban Inequality Urban Mapping داده های مکانی کیفیت داده نابرابری شهری نقشه برداری شهری هوش مصنوعی

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.