🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: کاهش ابعاد در داده‌های سنجش از دور: راهنمای جامع روش‌ها و کاربردها برای تحلیل داده‌های ماهواره‌ای

موضوع کلی: پردازش و تحلیل داده‌های سنجش از دور

موضوع میانی: کاهش ابعاد در داده‌های سنجش از دور

📋 سرفصل‌های دوره (100 موضوع)

• 1. مبانی سنجش از دور و ماهیت داده‌ها
• 2. مقدمه‌ای بر داده‌های سنجش از دور چندطیفی و ابرطیفی
• 3. ویژگی‌های داده‌های سنجش از دور: ابعاد، وضوح، گستره طیفی
• 4. چالش‌های پردازش داده‌های سنجش از دور: حجم و ابعاد بالا
• 5. ضرورت کاهش ابعاد در تحلیل داده‌های سنجش از دور
• 6. اهداف اصلی کاهش ابعاد در سنجش از دور
• 7. کاهش ابعاد و تأثیر آن بر سرعت پردازش
• 8. کاهش ابعاد و تأثیر آن بر عملکرد مدل‌های یادگیری ماشین
• 9. مقدمه‌ای بر یادگیری ماشین در سنجش از دور
• 10. انواع وظایف یادگیری ماشین در سنجش از دور: طبقه‌بندی، تخمین، تشخیص
• 11. معرفی روش‌های یادگیری ماشین بدون نظارت و با نظارت
• 12. تعریف کاهش ابعاد (Dimensionality Reduction)
• 13. تمایز بین استخراج ویژگی (Feature Extraction) و انتخاب ویژگی (Feature Selection)
• 14. اهمیت استخراج ویژگی در کاهش ابعاد
• 15. اهمیت انتخاب ویژگی در کاهش ابعاد
• 16. معیارهای ارزیابی روش‌های کاهش ابعاد
• 17. کاهش ابعاد ناپارامتری (Unsupervised Dimensionality Reduction)
• 18. کاهش ابعاد پارامتری (Supervised Dimensionality Reduction)
• 19. روش‌های کاهش ابعاد خطی (Linear Dimensionality Reduction)
• 20. روش‌های کاهش ابعاد غیرخطی (Non-linear Dimensionality Reduction)
• 21. مروری بر انواع روش‌های کاهش ابعاد در مقاله علمی
• 22. فصل اول: مبانی کاهش ابعاد در سنجش از دور
• 23. داده‌های سنجش از دور با ابعاد بالا: تعاریف و ویژگی‌ها
• 24. مشکل ابعاد بالا (Curse of Dimensionality) در داده‌های سنجش از دور
• 25. پیامدهای ابعاد بالا: بیش‌برازش (Overfitting) و ناکارآمدی محاسباتی
• 26. مروری بر طبقه‌بندی روش‌های کاهش ابعاد
• 27. انواع رویکردهای کاهش ابعاد: مبتنی بر نگاشت (Manifold-based) و مبتنی بر پروژکشن (Projection-based)
• 28. فصل دوم: روش‌های کاهش ابعاد خطی
• 29. تجزیه مقادیر منفرد (Singular Value Decomposition - SVD)
• 30. اصول SVD و کاربرد آن در داده‌های سنجش از دور
• 31. تحلیل مؤلفه‌های اصلی (Principal Component Analysis - PCA)
• 32. مبانی PCA و چگونگی استخراج مؤلفه‌های اصلی
• 33. انتخاب تعداد مؤلفه‌های اصلی در PCA
• 34. مزایا و معایب PCA برای داده‌های سنجش از دور
• 35. تحلیل مؤلفه‌های مستقل (Independent Component Analysis - ICA)
• 36. اصول ICA و تفاوت آن با PCA
• 37. کاربرد ICA در تفکیک منابع طیفی
• 38. تحلیل عامل (Factor Analysis - FA)
• 39. مبانی FA و ارتباط آن با PCA
• 40. فصل سوم: روش‌های کاهش ابعاد غیرخطی
• 41. یادگیری نگاشت حفظ‌کننده محلی (Locally Linear Embedding - LLE)
• 42. اصول LLE و حفظ ساختار محلی داده‌ها
• 43. تفاوت LLE با PCA
• 44. یادگیری نگاشت غیرخطی (Non-linear Manifold Learning - NLML)
• 45. روش‌های مبتنی بر نگاشت: Isomap
• 46. اصول Isomap و یافتن کوتاه‌ترین مسیر ژئودزیک
• 47. روش‌های مبتنی بر نگاشت: t-Distributed Stochastic Neighbor Embedding (t-SNE)
• 48. اصول t-SNE و حفظ همسایگی محلی در ابعاد پایین
• 49. کاربرد t-SNE در بصری‌سازی داده‌های سنجش از دور
• 50. روش‌های مبتنی بر نگاشت: Diffusion Maps
• 51. اصول Diffusion Maps و تئوری انتشار
• 52. روش‌های مبتنی بر نگاشت: Laplacian Eigenmaps
• 53. اصول Laplacian Eigenmaps و استفاده از گراف لاپلاسین
• 54. فصل چهارم: روش‌های انتخاب ویژگی
• 55. مقدمه‌ای بر انتخاب ویژگی در سنجش از دور
• 56. تفاوت انتخاب ویژگی با استخراج ویژگی
• 57. روش‌های فیلتر (Filter Methods)
• 58. معیارهای انتخاب ویژگی در روش‌های فیلتر (مانند واریانس، ضریب همبستگی)
• 59. کاربرد روش‌های فیلتر در داده‌های ابرطیفی
• 60. روش‌های بسته‌بندی (Wrapper Methods)
• 61. اصول روش‌های بسته‌بندی و استفاده از مدل ارزیابی
• 62. الگوریتم‌های جستجو در روش‌های بسته‌بندی (مانند جستجوی پیشرو)
• 63. روش‌های جاسازی شده (Embedded Methods)
• 64. روش‌هایی مانند Lasso و Ridge Regression
• 65. انتخاب ویژگی با استفاده از درخت‌های تصمیم (Decision Trees)
• 66. فصل پنجم: روش‌های کاهش ابعاد در یادگیری عمیق
• 67. شبکه‌های عصبی کانولوشنی (Convolutional Neural Networks - CNNs)
• 68. نقش CNN ها در استخراج ویژگی خودکار
• 69. استفاده از لایه‌های کانولوشنی برای کاهش ابعاد
• 70. شبکه‌های عصبی بازگشتی (Recurrent Neural Networks - RNNs)
• 71. کاربرد RNN ها برای داده‌های سری زمانی سنجش از دور
• 72. شبکه‌های مولد تخاصمی (Generative Adversarial Networks - GANs)
• 73. کاربرد GAN ها برای تولید داده و کاهش ابعاد
• 74. خودرمزگذارها (Autoencoders)
• 75. معماری خودرمزگذار و نقش لایه میانی (bottleneck)
• 76. انواع خودرمزگذارها: خودرمزگذار پراکنده (Sparse Autoencoder)
• 77. انواع خودرمزگذارها: خودرمزگذار واریاسیونال (Variational Autoencoder - VAE)
• 78. فصل ششم: روش‌های کاهش ابعاد ناپارامتری خاص سنجش از دور
• 79. روش‌های مبتنی بر تجزیه ماتریس (Matrix Factorization)
• 80. تجزیه ماتریس غیرمنفی (Non-negative Matrix Factorization - NMF)
• 81. اصول NMF و کاربرد آن در تفکیک منابع
• 82. کاربرد NMF در تفکیک کلاس‌های پوشش زمین
• 83. تحلیل مؤلفه‌های اصلی وابسته به هم (Correlated Component Analysis - CCA)
• 84. فصل هفتم: روش‌های کاهش ابعاد پارامتری (با نظارت)
• 85. تحلیل مؤلفه‌های اصلی با نظارت (Supervised PCA - SPCA)
• 86. مبانی SPCA و استفاده از برچسب‌های کلاس
• 87. تحلیل مؤلفه‌های خطی با نظارت (Supervised Linear Discriminant Analysis - LDA)
• 88. اصول LDA و حداکثر کردن جدایی بین کلاس‌ها
• 89. کاربرد LDA در طبقه‌بندی داده‌های سنجش از دور
• 90. فصل هشتم: ارزیابی و مقایسه روش‌ها
• 91. معیارهای ارزیابی روش‌های کاهش ابعاد: حفظ اطلاعات
• 92. معیارهای ارزیابی روش‌های کاهش ابعاد: حفظ ساختار
• 93. معیارهای ارزیابی روش‌های کاهش ابعاد: اثربخشی برای وظایف پایین‌دستی
• 94. تأثیر انتخاب ابعاد بر عملکرد مدل‌های یادگیری ماشین
• 95. مطالعات موردی از مقایسه روش‌های مختلف در مقالات
• 96. اهمیت انتخاب روش مناسب بر اساس نوع داده و هدف
• 97. فصل نهم: کاربردهای کاهش ابعاد در سنجش از دور
• 98. کاهش ابعاد برای طبقه‌بندی پوشش زمین
• 99. کاهش ابعاد برای تشخیص تغییرات (Change Detection)
• 100. کاهش ابعاد برای تخمین پارامترهای زیست‌محیطی (مانند کلروفیل، شاخص‌های گیاهی)