آموزش ماشین لرنینگ در گوگل ارث انجین

با افزایش روزافزون حجم داده‌ها و تصاویر ماهواره‌ای و پیچیدگی پدیده‌های طبیعی، استفاده از الگوریتم‌های یادگیری ماشین به یکی از الزامات اصلی در تحلیل‌های مکانی و محیط‌زیستی تبدیل شده است. یادگیری ماشین این امکان را فراهم می‌کند تا با در نظر گرفتن عوامل مختلف، پیچیدگی‌های موجود را بهتر درک و آن‌ها را به‌طور مؤثرتری مدل‌سازی کنیم. در دوره‌ی «آموزش ماشین لرنینگ در گوگل ارث انجین»، تمرکز بر استفاده از تکنیک‌های یادگیری ماشین در بستر Google Earth Engine برای تحلیل داده‌های پیوسته مانند شوری خاک و گردوغبار، و داده‌های گسسته مانند شناسایی پهنه‌های آبی و آتش‌سوزی‌ها است. در این آموزش، هر دو نوع داده و رویکردهای مرتبط با آن‌ها به‌صورت عملی و کاربردی ارائه شده‌اند.

این دوره به‌صورت پروژه‌محور طراحی شده تا مخاطبان بتوانند با کاربردهای واقعی یادگیری ماشین در حوزه‌های سنجش از دور و علوم محیطی آشنا شوند. در طول آموزش، علاوه بر آشنایی با الگوریتم‌های پرکاربرد مانند Random Forest، SVM و CART، نحوه پیاده‌سازی آن‌ها در محیط Google Earth Engine به‌صورت عملی آموزش داده می‌شود. این دوره برای پژوهشگران، دانشجویان، کارشناسان محیط‌زیست، کشاورزی، منابع طبیعی و تمامی علاقه‌مندان به تحلیل داده‌های مکانی با استفاده از تکنولوژی‌های روز مناسب است.

در نظر داشته باشید که این دوره هم برای تحلیل داده‌های پیوسته مانند شاخص‌های شوری، دما و گرد و غبار، و هم برای داده‌های گسسته مانند شناسایی پهنه‌های آبی، آتش‌سوزی‌ها یا کاربری اراضی طراحی شده است. هر دو نوع داده در قالب پروژه‌های عملی بررسی می‌شوند تا شرکت‌کنندگان بتوانند نحوه انتخاب الگوریتم مناسب، آماده‌سازی داده‌ها و تفسیر نتایج را به‌خوبی فرا بگیرند.

الگوریتم های یادگیری ماشین به کار رفته در بخش داد های گسسته:

• Random Forest (RF)
• Support Vector Machine (SVM)
• Classification and Regression Trees (CART)
• K-Nearest Neighbors (KNN)

الگوریتم های یادگیری ماشین به کار رفته در بخش داد های پیوسته:

• Random Forest (RF)
• Classification and Regression Trees (CART)

ویژگی آموزش ماشین لرنینگ در گوگل ارث انجین

عنوان کلی: استفاده از یادگیری ماشین برای داده های پیوسته و گسسته در ارث انجین
نرم‌افزار: گوگل ارث انجین
مدرس: آرمان صمدی
تصاویر : لندست و پروداکت های مختلف
کد آماده : دارد

موارد آموزش داده شده در دوره آموزش ماشین لرنینگ در گوگل ارث انجین

آموزش یادگیری ماشین برای داده های پیوسته
آموزش یادگیری ماشین برای داده های گسسته
اموزش تعریف متغییرهای مستقل مختلف
آموزش تعریف متغییر وابسته
آموزش نمونه برداری تصادفی
آموزش جداسازی نمونه ها به تست و آموزشی ( 70% به آموزش و 30 % برای اعتبارسنجی و شما میتوانید نسبت 80 به 20 هم بکار ببرید)
آموزش پیاده سازی چهار الگوریتم RF، KNN، CARTو SVM برای داده های گسسته
آموزش پیاده سازی چهار الگوریتم RF و CART برای داده های پیوسته
آموزش اعتبار سنجی مدل برای داده پیوسته با ضریب تعیین (R2)
آموزش اعتبار سنجی مدل برای داده گسسته بر پایه ضریب کلی و کاپا

آموزش کار با داده زمینی و اضافه کردن آن به محیط Gee

نکته مهم در این آموزش:
برای متغییر پیوسته در این آموزش از بیومس استفاده شده است.
برای متغییر گسسته از پهنه آبی استفاده شده است.
توجه اینجا به صورت عملی دو مثال از داده گسسته و پیوسته ارائه شده است. داده پیوسته مثلا شوری که عدد دارد و گسسته مانند آتش سوزی و پهنه آبی که به صورت دو عدد و جود (1) و عدم وجود ( 0) است.

یادگیری ماشین

یادگیری ماشین شاخه‌ای از هوش مصنوعی است که هدف آن آموزش کامپیوتر برای شناسایی الگوها و تصمیم‌گیری بر اساس داده‌ها، بدون نیاز به برنامه‌نویسی مستقیم است. در سنجش از دور، این تکنیک به‌طور گسترده در تحلیل پدیده‌های طبیعی مورد استفاده قرار می‌گیرد. برای مثال، می‌توان با استفاده از داده‌های پوشش گیاهی، ارتفاع زمین و دمای سطح، مناطقی را که در معرض فرسایش خاک قرار دارند شناسایی کرد. همچنین یادگیری ماشین می‌تواند در تفکیک مناطق شهری از مناطق کشاورزی، یا تشخیص تغییرات پوشش زمین در بازه‌های زمانی مختلف، عملکرد موثری داشته باشد.
یکی از مزایای مهم یادگیری ماشین این است که امکان شناسایی پدیده‌ها را در مقیاس‌های بزرگ فراهم می‌کند؛ به‌ویژه زمانی که مدل به‌درستی آموزش داده شده باشد. انتخاب مناسب متغیرهای مستقل و وابسته در این فرایند نقش کلیدی دارد، چرا که کیفیت خروجی مدل به طور مستقیم وابسته به کیفیت داده‌ها و درک علمی پشت انتخاب آن‌هاست. به همین دلیل، آشنایی با مفاهیم علمی مرتبط و انتخاب داده‌های مناسب، بخش جدایی‌ناپذیر از توسعه مدل‌های دقیق و کاربردی است.

آموزش کاربردی دیگر: شناسایی آتش‌سوزی با استفاده از یادگیری ماشین در گوگل ارث انجین

الگوریتم‌های یادگیری ماشین به‌کاررفته در این دوره:

Random Forest (RF)

الگوریتم جنگل تصادفی مانند گروهی از درخت‌ها عمل می‌کند که هرکدام تصمیم‌گیری مستقلی دارند، و در نهایت با رای‌گیری، نتیجه نهایی را مشخص می‌کنند. این روش دقت بالایی دارد و در برابر داده‌های نویزدار یا ناقص عملکرد خوبی دارد.

Support Vector Machine (SVM)

الگوریتم SVM سعی می‌کند بهترین خط یا مرز را بین دو یا چند گروه از داده‌ها پیدا کند. این مرز به‌گونه‌ای انتخاب می‌شود که بیشترین فاصله را از داده‌های هر گروه داشته باشد، تا در آینده بهتر بتواند داده‌های جدید را دسته‌بندی کند.

Classification and Regression Trees (CART)

الگوریتم درخت تصمیم (CART) مثل یک درخت واقعی شاخه‌به‌شاخه جلو می‌رود و در هر مرحله با یک سوال ساده، داده‌ها را به دو دسته تقسیم می‌کند. این فرایند تا جایی ادامه پیدا می‌کند که به یک نتیجه نهایی (طبقه‌بندی یا مقدار عددی) برسد.

K-Nearest Neighbors (KNN)

این الگوریتم بر اساس نزدیک‌ترین همسایه‌ها تصمیم می‌گیرد. یعنی اگر بخواهیم نوع یک نقطه ناشناخته را مشخص کنیم، KNN به داده‌های اطراف آن نگاه می‌کند و می‌بیند بیشتر آن‌ها متعلق به کدام گروه هستند، سپس همان گروه را برای نقطه جدید در نظر می‌گیرد.

مدرس دوره آموزشی:

آرمان صمدی
دانش‌آموخته رشته سنجش‌ازدور و جی‌ای اس دانشگاه تهران
کارشناس سنجش‌ازدور و سامانه اطلاعات جغرافیایی
مدیر و بنیان‌گذار وب‌سایت مدرسه سنجش ‌از دور
مدرس بیش از 300 محصول آموزشی