اکسپرس 24
کتاب یادگیری ماشین در استخراج اطلاعات از تصاویر ماهواره‌ای

کتاب یادگیری ماشین در استخراج اطلاعات از تصاویر ماهواره‌ای

انتخاب پلن

انتخاب پلن برای ادامه خرید الزامی است.

پرداخت اقساطی
در صورت خرید اقساطی هر قسط: 62,488 تومان
۴ قسط ماهانه. بدون سود، چک و ضامن.
پرداخت اقساطی با دیجی‌پی پرداخت اقساطی با ترب‌پی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره یادگیری ماشین در استخراج اطلاعات از تصاویر ماهواره‌ای

موضوع کلی: علوم جغرافیا و زیست‌شناسی محیطی

موضوع میانی: GIS و سنجش از دور

📋 سرفصل‌های دوره

  • 1. مقدمه به استخراج اطلاعات از تصاویر ماهواره‌ای
  • 2. انواع حسگرها و پلتفرم‌های ماهواره‌ای
  • 3. سلسله مراتب داده‌های تصویری ماهواره‌ای و مدل‌های رستر
  • 4. اساس‌های مرجع جغرافیایی و سیستم‌های مختصات
  • 5. فرمت‌ها و استانداردهای رایج در تصاویر ماهواره‌ای (مثل GeoTIFF)
  • 6. کار با داده‌های چند طیفی و نوری
  • 7. فهمیدن باندهای طیفی برای کلاس‌های هدف
  • 8. معرفی داده‌های همگن‌سازی شده و پوشش‌های سطح زمین
  • 9. روش‌های جمع‌آوری داده‌های ماهواره‌ای برای یادگیری ماشین
  • 10. آشنایی با ابزارهای مدیریت داده‌های حسگر remoted sensing (مثل GDAL، GDAL و GDAL و GDAL و GDAL)
  • 11. استفاده از کتابخانه‌های پایتونی مانند rasterio، earthpy، xarray
  • 12. مراحل پیش‌پردازش: تصحیح تابشی و جوی
  • 13. تصحیح هندسی و ثبت تصاویر
  • 14. تقویت کننده‌های شدة تصویر و بهبود کننده‌های کنتراست
  • 15. فهمیدن شاخص‌های طیفی برای پوشش گیاهی (NDVI، EVI)
  • 16. استخراج ویژگی‌های بافتی با استفاده از متادیتا
  • 17. مدل‌های داده‌های مکانی برای استخراج اطلاعات
  • 18. مفاهیم اولیه یادگیری ماشین برای سنجش از دور
  • 19. آشنایی با روش‌های طبقه‌بندی تحت نظارت
  • 20. آشنایی با روش‌های طبقه‌بندی بدون نظارت (K-means، DBSCAN)
  • 21. آماده‌سازی داده‌های آموزشی برای مدل‌های یادگیری ماشین
  • 22. انتخاب ویژگی‌ها برای داده‌های تصویری ماهواره‌ای
  • 23. ارزیابی مدل‌ها: ماتریس ابهام، دقت، حساسیت، و F1
  • 24. اعتبارسنجی متقاطع برای مدل‌های طبقه‌بندی تصویر
  • 25. بهینه‌سازی فرآیندهای یادگیری با تنظیمات بهینه‌سازی
  • 26. کاربردهای روش‌های کلاسیک (Random Forest، SVM، k-NN)
  • 27. پیاده‌سازی روش‌های طبقه‌بندی با استفاده از scikit-learn
  • 28. مفاهیم پایه‌ای شبکه‌های عصبی برای داده‌های سنجش از دور
  • 29. پیاده‌سازی CNN با استفاده از TensorFlow/Keras برای استخراج ویژگی‌های ماهواره‌ای
  • 30. مدل‌سازی شبکه‌های واکنش متقاطع برای طبقه‌بندی دقیق
  • 31. پیاده‌سازی شبکه‌های واکنش متقاطع U-Net برای تجزیه و تحلیل ناحیه‌ای
  • 32. استفاده از شبکه‌های واکنش متقاطع ResNet برای تصاویر ماهواره‌ای
  • 33. کاربردهای شبکه‌های واکنش متقاطع Attention در سنجش از دور
  • 34. پیاده‌سازی شبکه‌های عصبی با استفاده از PyTorch برای سنجش از دور
  • 35. پیش‌آموزش مدل‌های CNN با استفاده از داده‌های بزرگ ماهواره‌ای
  • 36. تکنیک‌های انتقال‌یادگیری برای استخراج اطلاعات ماهواره‌ای
  • 37. ترکیب مدل‌های مختلف با استفاده از روش‌های تجميع‌سازی
  • 38. بهبود دقت با استفاده از روش‌های تقویت‌کننده
  • 39. آموزش مدل‌های یادگیری ماشین برای داده‌های نامتوازن
  • 40. مدل‌سازی داده‌های ماهواره‌ای با استفاده از روش‌های پلید
  • 41. استخراج ویژگی‌های بافتی با استفاده از HOG، LBP و GLCM
  • 42. ترکیب شاخص‌های طیفی و ویژگی‌های بافتی
  • 43. ادغام داده‌های ماهواره‌ای با داده‌های مکانی تکمیلی
  • 44. روش‌های یادگیری گسسته برای ترکیب داده‌های ماهواره‌ای و سنجش از دور
  • 45. تطبیق دامنه برای تطبیق مدل‌ها با داده‌های ماهواره‌ای جدید
  • 46. بررسی عملکرد مدل‌های یادگیری خودسرپرست برای استخراج اطلاعات
  • 47. روش‌های پردازش تصاویر ماهواره‌ای در زمان واقعی
  • 48. مطالعه موردی: نقشه‌برداری پوشش زمین با استفاده از یادگیری ماشین
  • 49. مطالعه موردی: شناسایی تغییرات برای توسعه شهری
  • 50. مطالعه موردی: نقشه‌برداری سیل با استفاده از داده‌های ماهواره‌ای
  • 51. مطالعه موردی: شناسایی بیماری محصولات کشاورزی
  • 52. مطالعه موردی: نقشه‌برداری از جنگل‌های انبوه با استفاده از تصاویر ماهواره‌ای
  • 53. توجه به مسائل اخلاقی در استفاده از داده‌های ماهواره‌ای
  • 54. حریم خصوصی داده‌ها و مسائل امنیتی در داده‌های ماهواره‌ای عمومی
  • 55. آینده‌های پیش‌رو: حسگرهای جدید، داده‌های فرابعدی، و هوش مصنوعی یکپارچه
  • 56. پایان‌نامه‌های پیشرفته: ساخت یک پایگاه کد کامل و قابل اجرا
  • 57. بهینه‌سازی فرآیندها با استفاده از Dask برای داده‌های ماهواره‌ای بزرگ
  • 58. استفاده از پلتفرم‌های ابری (AWS، Google Earth Engine) برای یادگیری ماشین در سنجش از دور
  • 59. تفسیرپذیری مدل‌های یادگیری ماشین با استفاده از SHAP و LIME
  • 60. روش‌های توضیح‌پذیری برای تصمیم‌گیری‌های استخراج اطلاعات
  • 61. بهترین روش‌ها برای تحقیقات قابل تکرار در سنجش از دور
  • 62. چرخه کامل پروژه: از تهیه داده‌ها تا تحویل نهایی
  • 63. ارزیابی مقاومت مدل‌ها در برابر شرایط جوی متفاوت
  • 64. مدیریت داده‌های آموزشی با استفاده از GDAL، rasterio و geopandas
  • 65. پیاده‌سازی مدل‌های یادگیری ماشین در GIS برای تجزیه و تحلیل مکانی
  • 66. استفاده از مدل‌های یادگیری ماشین در قالب سرویس‌های وب
  • 67. استفاده از Docker و Kubernetes برای استقرار مدل‌های استخراج اطلاعات
  • 68. مراحل بعدی: آموزش مدل‌ها در هاب‌های ماهواره‌ای مبتنی بر ابر
  • 69. روش‌های پیشرفته برای پردازش داده‌های چندگانه ماهواره‌ای
  • 70. ادغام داده‌های ماهواره‌ای با داده‌های سنسورهای دست دوم
  • 71. مطالعه موردی: نقشه‌برداری از پوشش گیاهی با استفاده از داده‌های چندگانه
  • 72. مطالعه موردی: شناسایی اشیاء با استفاده از داده‌های ماهواره‌ای و دروئید
  • 73. مطالعه موردی: نقشه‌برداری از آتش‌سوزی جنگل‌ها
  • 74. مطالعه موردی: نقشه‌برداری از دما و تنوع اکوسیستم
  • 75. توسعه مدل‌های یادگیری ماشین با استفاده از داده‌های ماهواره‌ای خودسرپرست
  • 76. کاربردهای یادگیری ماشین در سنجش از دور در زمان واقعی

📚 محتوای این محصول آموزشی (پکیج کامل)

💡 این محصول یک نسخهٔ کامل و جامع است

تمامی محتوای آموزشی این کتاب در قالب یک بسته‌ی کامل و یکپارچه ارائه می‌شود و شامل تمام نسخه‌ها و فایل‌های موردنیاز برای یادگیری است.

🎁 محتویات کامل بسته دانلودی

🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل کتاب‌ها، تمرین‌ها و خودآزمایی .

ℹ️ نکات مهم هنگام خرید

  • این محصول به صورت فایل دانلودی کامل ارائه می‌شود و نسخهٔ چاپی ندارد.
  • توجه: لینک‌های اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال می‌شوند.
  • دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
  • برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های کتاب همانجا برای شما ارسال گردد.)
  • اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینک‌ها را دریافت نکرده‌اید، نام و نام خانوادگی و نام محصول را پیامک کنید تا لینک‌ها دوباره ارسال شوند.

💬 راه‌های ارتباطی پشتیبانی:
واتس‌اپ یا هر پیام رسان داخلی یا پیامک: 09395106248
تلگرام: @ma_limbs

تگ‌ها: Change Detection Convolutional Neural Networks Remote Sensing Deep Learning GIS Earth Observation ML GeoAI Land Cover Mapping Machine Learning Satellite Imagery Python for GIS Remote Sensing Classification Satellite Data Analytics Satellite Image Preprocessing Spectral Indices TensorFlow Remote Sensing استخراج اطلاعات تصویربرداری ماهواره‌ای

نظرات

هنوز نظری ثبت نشده است.

وارد شوید تا نظر ثبت کنید.