دوره تحلیل پیشرفته دادههای مکانی با R: گام به گام با Applied Spatial Data Analysis همراه با فلشکارت آموزشی — ارائه روی فلش مموری
🎓 دوره آموزشی جامع
📚 اطلاعات دوره
عنوان دوره: دوره تحلیل پیشرفته دادههای مکانی با R: گام به گام با Applied Spatial Data Analysis
موضوع کلی: تحلیل دادههای فضایی
موضوع میانی: تحلیل دادههای فضایی با R
📋 سرفصلهای دوره
- 1. مقدمهای بر تحلیل دادههای فضایی
- 2. چرا تحلیل دادههای فضایی مهم است؟
- 3. مفاهیم اساسی دادههای مکانی
- 4. انواع دادههای مکانی (برداری و رستری)
- 5. معرفی R و محیط توسعه RStudio
- 6. نصب بستههای ضروری برای تحلیل دادههای فضایی در R
- 7. کار با دادههای برداری در R (فایلهای Shapefile، GeoJSON)
- 8. خواندن و نوشتن دادههای برداری در R
- 9. مدیریت دادههای برداری در R (انتخاب، فیلترینگ، پیوستن)
- 10. کار با دادههای رستری در R (فایلهای GeoTIFF، ASCII Grid)
- 11. خواندن و نوشتن دادههای رستری در R
- 12. مدیریت دادههای رستری در R (برش، استخراج، ادغام)
- 13. سیستمهای مختصات مرجع (CRS)
- 14. مفهوم Projection و Datum
- 15. کار با CRS در R
- 16. تبدیل بین سیستمهای مختصات مختلف
- 17. نمایش و مصورسازی دادههای مکانی در R
- 18. مصورسازی دادههای برداری (نقاط، خطوط، چندضلعیها)
- 19. مصورسازی دادههای رستری
- 20. کار با بستههای مصورسازی تعاملی (ggplot2, sf, leaflet)
- 21. مقدمهای بر آمار فضایی
- 22. مفهوم وابستگی فضایی (Spatial Autocorrelation)
- 23. شاخص موران (Moran's I)
- 24. شاخص گِتـیس-فـرد G (Getis-Ord G)
- 25. آزمونهای آماری فضایی
- 26. کار با بستههای آمار فضایی در R (spdep)
- 27. مقدمهای بر تحلیل ناهمگنی فضایی (Spatial Heterogeneity)
- 28. مفهوم استنتاج فضایی (Spatial Inference)
- 29. مدلسازی رگرسیون فضایی
- 30. مدل رگرسیون اِکـا (Econometric Model)
- 31. مدل رگرسیون با خطای خودهمبسته فضایی (SAR)
- 32. مدل رگرسیون با باقیمانده خودهمبسته فضایی (SEM)
- 33. مدل رگرسیون با متغیر وابسته خودهمبسته فضایی (SLX)
- 34. انتخاب بین مدلهای رگرسیون فضایی
- 35. ارزیابی مدلهای رگرسیون فضایی
- 36. تجزیه و تحلیل پراکندگی فضایی (Spatial Pattern Analysis)
- 37. تحلیل نقاط داغ (Hotspot Analysis)
- 38. تحلیل نقاط سرد (Coldspot Analysis)
- 39. تحلیل پراکندگی نقاط (Point Pattern Analysis)
- 40. مفهوم روند فضایی (Spatial Trend)
- 41. تحلیل سطح (Surface Analysis)
- 42. ایجاد مدلهای ارتفاعی رقومی (DEM)
- 43. محاسبه شیب و جهت (Slope and Aspect)
- 44. مشاهدهپذیری (Viewshed Analysis)
- 45. هیدرولوژی رقومی (Hydrological Analysis)
- 46. تحلیل جریان (Flow Direction and Accumulation)
- 47. محاسبه شبکههای آبراهه
- 48. مقدمهای بر درونیابی فضایی (Spatial Interpolation)
- 49. درونیابی مقید (Kriging)
- 50. انتخاب تابع واریوگرام (Variogram)
- 51. مدلسازی واریوگرام
- 52. انواع کرایژینگ (ساده، معمولی، یونیورسیال)
- 53. درونیابی با وزندهی معکوس مجذور (IDW)
- 54. درونیابی با سطوح روندی (Trend Surface Interpolation)
- 55. درونیابی رقومی (Spline Interpolation)
- 56. ارزیابی روشهای درونیابی
- 57. مدلسازی سهبعدی مکانی
- 58. تولید سطوح سهبعدی از نقاط
- 59. مصورسازی سهبعدی دادهها
- 60. شبکههای سهبعدی (3D Meshes)
- 61. تحلیل سهبعدی (مثلاً حفر و پر کردن)
- 62. تحلیل دادههای مکانی-زمانی
- 63. مفهوم دادههای مکانی-زمانی
- 64. مصورسازی دادههای مکانی-زمانی
- 65. مدلسازی رگرسیون مکانی-زمانی
- 66. تحلیل روندهای مکانی-زمانی
- 67. تحلیل خوشهبندی مکانی-زمانی
- 68. تحلیل دادههای شبکهای (Network Analysis)
- 69. مقدمهای بر دادههای شبکهای
- 70. ساخت گراف از دادههای شبکهای
- 71. یافتن کوتاهترین مسیر
- 72. تحلیل پوشش (Service Area Analysis)
- 73. تحلیل تخصیص (Allocation Analysis)
- 74. تحلیل جریان در شبکهها
- 75. تحلیل آلودگی و انتشار در شبکهها
- 76. تحلیل دادههای شبکهای با R
- 77. مدیریت و ذخیرهسازی دادههای مکانی بزرگ
- 78. پایگاههای داده مکانی (PostGIS, SpatiaLite)
- 79. کار با پایگاههای داده مکانی در R
- 80. استفاده از فرمتهای دادهای کارآمد (GeoPackage)
- 81. فشردهسازی دادههای مکانی
- 82. مدیریت حافظه برای دادههای بزرگ
- 83. تحلیل مکانی در محیط ابری
- 84. مقدمهای بر یادگیری ماشین مکانی
- 85. آموزش مدلهای یادگیری ماشین روی دادههای مکانی
- 86. استفاده از ویژگیهای مکانی در مدلها
- 87. پیشبینی بر اساس دادههای مکانی
- 88. کاربرد یادگیری ماشین در طبقهبندی مکانی
- 89. کاربرد یادگیری ماشین در خوشهبندی مکانی
- 90. کاربرد یادگیری ماشین در درونیابی مکانی
- 91. مقدمهای بر یادگیری عمیق مکانی (Deep Learning for Spatial Data)
- 92. شبکههای عصبی کانولوشنال (CNN) برای تصاویر رستری
- 93. شبکههای عصبی بازگشتی (RNN) برای دادههای مکانی-زمانی
- 94. کاربرد یادگیری عمیق در سنجش از دور
- 95. کاربرد یادگیری عمیق در تشخیص اشیاء مکانی
- 96. کاربرد یادگیری عمیق در پیشبینی رویدادهای مکانی
- 97. مقدمهای بر مدلسازی دینامیک مکانی
- 98. مدلسازی تغییرات مکانی در طول زمان
- 99. مدلسازی فرآیندهای مکانی (مثلاً گسترش شهر)
- 100. شبیهسازی مکانی
محتویات بسته آموزشی
🌐 سامانه آنلاین فلشکارت؛ مرور هدفمند و هوشمند
اکانت ارائهشده، دسترسی به نسخه تحت وب سامانه فلشکارت ویژه این دوره را فراهم میکند. این سامانه از الگوریتم زمانبندی مرور SM-2 استفاده میکند و بر اساس ارزیابی شما از میزان یادآوری هر کارت، زمان مرورهای بعدی را تنظیم میکند.
به این ترتیب، کارتهای دشوارتر میتوانند زودتر مرور شوند و برای تثبیت مطالب در حافظه، برنامه مرور متناسبتری داشته باشید.
مدتزمان معادل آموزشی بر اساس برآورد این دوره در گواهی درج میشود.
گواهی دوزبانه با استعلام آنلاین
پس از تکمیل فعالیتهای لازم و تأیید درخواست، گواهی پایان دوره به زبان فارسی و انگلیسی صادر میشود. گواهی دارای لینک اختصاصی و QR Code برای بررسی و استعلام آنلاین است.
این گواهی صرفاً بهعنوان گواهی اتمام دوره آموزشی صادر میشود و معادل مدرک دانشگاهی، آکادمیک یا مدرک رسمی مورد تأیید نهادهای دولتی نیست. صدور آن منوط به تکمیل شرایط دوره و تأیید نهایی درخواست است.
نظرات
هنوز نظری ثبت نشده است.
وارد شوید تا نظر ثبت کنید.