توضیحات
سرفصل های آموزش یادگیری ماشین (Machine Learning) در GIS
- آشنایی با دستورات مقدماتی
- آشنایی با دستورات ضروری پایتون
- کاربا پایتون در GUI
- کاربا پایتون در GUI
- اسکریپت نویسی پایتون در ArcGIS 1
- اسکریپت نویسی پایتون در ArcGIS 2
- ماشین لرنینگ در GIS
- دستورات اساسی ارکپای (arcpy) 1
- ستورات اساسی ارکپای (arcpy) 2
- دستورات List, GetParameter, For, Def, Matrix
- ساخت ابزارهای برای تکرار وظایف 1
- ساخت ابزارهای برای تکرار وظایف 2
- ساخت ابزارهای برای تکرار وظایف 3
- راه اندازی خط تولید دیتا
- اجرای پروژه نمونه
- آموزش فرایند کار
مدرس دوره: دکتر محمدعلی نظام محله
منظور از یادگیری ماشین چیست؟
یادگیری ماشین (Machine Learning) اشاره به مجموعه ای از تکنیک ها و الگوریتم های “راندمان-داده” دارد که پیش بینی، طبقه بندی، و خوشه بندی داده ها را بطور خودکار انجام می دهد. یادگیری ماشین نقشی کلیدی در حل مسایل جغرافیایی مکانی دارد که دامنه گسترده ای از وظایف شامل طبقه بندی تصاویر ماهواره ای، شناسایی الگوهای فضایی، و پیش بینی های چند متغیره را انجام می دهد.
علاوه بر تکنینک های یادگیری ماشین (ML) سنتی، نرم افزار ArcGIS زیرمجموعه ای از تکنیک های یادگیری ماشین دارد که ذاتا ماهیت مکانی فضایی دارند. این روش های فضایی مستقیما دیدی جغرافیایی را وارد محاسبات خود می کنند، می توانند درک عمیقتری را در ما ایجاد نمایند. این جزء فضایی شکلی از پردازش های وکتوری، تراکم، پیوستگی، فواصل، توزیع مکانی فضایی، و مجاورت را به خود می گیرد. هر دوی این فنون و تکنیک های ماشین لرنینگ (یادگیری ماشین) مکانی فضایی سنتی و ذاتا مکانی می توانند نقش مهمی در حل مسایل مکانی فضایی ایفا نمایند و ArcGIS استفاده از این فنون را به چند روش پشتیبانی می کند.
یادگیری ماشین می تواند از نظر محاسباتی فشرده باشد و غالبا مستلزم کار با داده های بزرگ و پیچیده است. قابلیت های این برنامه امکاناتی را برای ذخیره دیتا و محاسبات موازی و توزیع شده دارد که تعامل GIS و ML حل این مسایل را ممکن نموده است.
نمونه هایی از کاربرد یادگیری ماشین در ArcGIS
پیش بینی
پیش بینی به معنی استفاده از اطلاعات معلوم برای برآورد اطلاعات مجهول است. نرم افزار ArcGIS مجموعه ای از تکنیک های رگرسیون و درونیابی دارد که برای پیش بینی مکانی می تواند مورد استفاده قرار گیرد. برای مثال، ایجاد لایه هایی آلودگی هوا براساس اندازه گیری های سنسور ها و یا برآورد قیمت مسکن براساس داده های فروش های اخیر و ویژگی های مسکن و اطلاعات جوامع محلی.
Empirical Bayesian Kriging, Areal Interpolation, EBK Regression Prediction, Ordinary Least Squares Regression and Exploratory Regression, Geographically Weighted Regression
طبقه بندی
طبقه بندی فرایندی است که براساس آن تصمیم میگیریم که یک شی بر مبنای مجموعه داده های آموزشی به کدام مقوله باید تعلق بگیرد. نرم افزار ArcGIS روش های طبقه بندی مختلفی را در بردارد که عموما روی داده های سنجش از دوری تمرکز دارند. این ابزارها ارزش های پیکسلی را تحلیل می کنند و آنها را براساس مبانی مورد نظر خوشه بندی می کنند. مثلا، تعیین کاربری های اراضی و شناسایی محدوده های جنگلی تخریب شده.
Maximum Likelihood Classification, Random Trees, Support Vector Machine
خوشه بندی
خوشه بندی به معنی گروه بندی کردن مشاهدات براساس شباهت های مکانی یا ارزشی است. نرم افزار ArcGIS دامنه گسترده ای از الگوریتم هایی دارد که خوشه ها را براساس خصوصیات و مکان ها یا ترکیبی از هر دوی اینها پیدا می کنند. این روش ها می توانند برای تحلیل هایی مانند قطعه بندی کردن مناطق شهری مدارس براساس ویژگی های جمعیتی و اقتصادی اجتماعی و یا برای تحلیل هایی نظیر پیدا کردن پهنه هایی که بعد از یک مخاطره بیشترین فعالیت را در شبکه های اجتماعی دارند، کاربرد داشته باشند. برای دریافت اطلاعات جمعیتی و مساکن تمام شهرستان های ایران به بخش دیتا و اطلاعات عددایکس مراجعه کنید.
Spatially Constrained Multivariate Clustering, Multivariate Clustering, Density-based Clustering, Image Segmentation, Hot Spot Analysis, Cluster and Outlier Analysis, Space Time Pattern Mining
پشت صحنه قابلیت ها
علاوه بر این تکنیک ها و روش ها، یادگیری ماشین در تمام قسمت های این پلتفرم می تواند بعنوان وسیله ای برای انتخاب پیشفرض های هوشمندانه و راندمان داده ، خودکار کردن روال های کاری، و بهینه سازی نتایج به کار برود. برای مثال، پیش بینی رگرسیونی EBK از روش های تحلیل مولفه های اصلی (PCA) بعنوان وسیله ای برای کاهش بعد جهت بهبود پیشی بینی ها استفاده می کند. بعنوان مثالی دیگر، روش OPTICS در خوشه بندی تراکم-مبنا از یادگیری ماشین برای انتخاب تولرانس خوشه ای براساس یک پلات قابل دسترسی معین استفاده می کند یا اینکه ابزار Spatially Constrained Multivariate Clustering از رویکردی به نام تجمیع شواهد برای فراهم کردن امکانات مربوط به نتایج خوشه بندی برای کاربران استفاده می کند.
جمع بندی
حیطه یادگیری ماشین بسیار گسترده و عمیق است و بطور پیوسته در حال تکامل است. از روش های مختلف در این نرم افزار می توان فنون مشین لرنینگ را پیاده نمود. این قابلیت به کاربران سیستم اطلاعات جغرافیایی این امکان را می دهد که مسایل پیچیده را از طریق ترکیب ابزارهای قدرتمند موجود در خود این برنامه با بسته های یادگیری ماشین موجود در scikit-learn و TensorFlow دربخش پایتون ArcGIS حل کنند. این توانمندی به کاربران کمک می کند از اعتبارسنجی مکانی فضایی، غنی سازی زمینی، و نمایش نتایج در این برنامه بهره مند شوند. تلفیق این بسته های تکمیلی با فناوری های ثبت اطلاعات، تحلیل دیتا، و قدرت پردازشی که این نرم افزار GIS فراهم می کند، می تواند عملکردی فراتر از نتایج جداگانه هرکدام از این قابلیت ها بدست بدهد.
فوری آموز
فوری آموز
نقد و بررسی‌ها
هنوز بررسی‌ای ثبت نشده است.