×
ribbon

هوش مصنوعی ژئومکانی — یادگیری عمیق برای تصاویر ماهواره ای

مدرس:Udemy

Azad Rasul

Geospatial AI: یادگیری عمیق برای تصاویر ماهواره‌ای

جدید
زیرنویس
13دانشجو
4ساعت
سرفصل‌ها
مقدماتی سطح دوره
بروزرسانیشهریور ۱۴۰۵
محتوای دوره
سرفصل‌ها
توضیحات دوره
دیدگاه کاربران
درباره مدرس

آنچه در این دوره می‌آموزید

پیش‌پردازش تصاویر ماهواره‌ای برای استفاده در مدل‌های هوش مصنوعی با پایتون و گوگل ارث انجین

ساخت و آموزش شبکه‌های CNN برای وظایف ژئومکانیک مانند طبقه‌بندی سلامت گیاهان

استفاده از یادگیری عمیق برای تحلیل داده‌های ماهواره‌ای در کاربردهای دنیای واقعی

ارزیابی و بهینه‌سازی مدل‌های هوش مصنوعی با استفاده از معیارها و تنظیم‌های ابرپارامتر

این دوره شامل:

4 ساعت ویدئو

گواهینامه مکتب‌خونه

دسترسی مادام‌العمر به محتوای دوره

زیرنویس اختصاصی مکتب‌خونه

سرفصل‌های دوره

1 فصل25 جلسه4 ساعت ویدیو
هوش مصنوعی جغرافیایی - یادگیری عمیق برای تصاویر ماهوارهای
  مقدمهای بر تحلیل جغرافیایی
07:10
  مقدمهای بر هوش مصنوعی
04:19
  چرا پایتون بهترین انتخاب برای هوش مصنوعی است
02:47
  مروری بر یادگیری عمیق در کاربردهای جغرافیایی
13:48
  راهنمای گام به گام برای راهاندازی GPU
09:45
  مقدمهای بر گوگل کلاود
03:55
  راهاندازی گوگل کلاود برای پروژههای هوش مصنوعی
12:21
  اجرای مدلهای تنسورفلو در ابر
11:40
  اجرای مدلهای پایتورچ در ابر
11:06
  ذخیرهسازی و به اشتراکگذاری نوتبوکهای کلاود
10:29
  محاسبه شاخصهای جغرافیایی
08:03
  وارد کردن و پاکسازی مجموعهدادهها در نوتبوک ژوپیتر با استفاده از پانداس
12:48
  انجام آمار منطقهای در پایتون
03:50
  پیشپردازش تصاویر واقعی سنجنده ۲ برای یادگیری عمیق
18:00
  ادغام موتور زمین گوگل برای خطوط لوله داده
08:21
  کار با دادههای جغرافیایی مقیاس بزرگ
14:26
  مقدمهای بر شبکههای عصبی کانولوشنی برای تحلیل تصاویر ماهوارهای
13:15
  طراحی یک مدل شبکه عصبی کانولوشنی برای طبقهبندی سلامت محصولات زراعی
08:31
  تصویرسازی عملکرد مدل هوش مصنوعی
13:09
  ارزیابی دقت مدلها، دقت، یادآوری و اعتبارسنجی متقابل
12:13
  تنظیم هایپرپارامترها با جستجوی شبکهای و جستجوی تصادفی در پایتون
11:40
  ساخت یک شبکه عصبی کانولوشنی برای طبقهبندی تصاویر
13:15
  ساخت مدل هوش مصنوعی برای تحلیل سلامت محصولات زراعی
08:31
  شمارش گیاهان با استفاده از تکنیکهای بینایی کامپیوتری
10:18
  اعتبارسنجی پیشبینیهای بیوماس با استفاده از دادههای واقعی
17:47

توضیحات دوره

ایجاد مدل‌های هوش مصنوعی برای داده‌های ژئومکانـی و تصاویر ماهواره‌ای. در این دوره یاد می‌گیرید: پیش‌پردازش تصاویر ماهواره‌ای برای هوش مصنوعی با استفاده از پایتون و گوگل ارث انجین. ساخت و آموزش شبکه‌های کانولوشنی عمیق (CNN) برای وظایف ژئومکانـی مانند طبقه‌بندی سلامت گیاهان. به‌کارگیری یادگیری عمیق برای تحلیل داده‌های ماهواره‌ای به منظور کاربردهای دنیای واقعی. ارزیابی و بهینه‌سازی مدل‌های هوش مصنوعی با استفاده از معیارها و تنظیم‌های هایپرپارامتر. الزامات دوره: هیچ تجربه قبلی لازم نیست! آشنایی پایه با پایتون مفید است اما لازم نیست. شما به یک رایانه، دسترسی به اینترنت و یک حساب گوگل رایگان برای گوگل کولب نیاز خواهید داشت. تمامی ابزارها و مجموعه‌داده‌ها در دوره ارائه می‌شوند.

دیدگاه کاربران

5

بر اساس امتیاز 2 دانشجو

1
2
3
4
5

گواهینامه اختصاصی دو زبانه

پس از گذراندن دوره به صورت آنلاین در سایت مکتب‌خونه، گواهی‌نامه رسمی پایان دوره به زبان فارسی و انگلیسی، توسط مکتب‌خونه به اسم شما صادر شده و در اختیار شما قرار می‌گیرد.

امکان اشتراک گذاری در لینکدین
دو زبانه

ضمانت بازگشت وجه

کیفیت این آموزش توسط مکتب‌خونه تضمین شده است. در صورت عدم رضایت، با شرایط زیر می‌توانید درخواست بازگشت وجه کنید.

مهلت درخواستتا ۱۵ روز پس از خرید دوره
میزان مشاهدهکمتر از ۲۰ درصد یا ۵ جلسه از دوره
1دوره
13دانشجو
2نظر و امتیاز
استاد دستیار ارشد من استادیار دستیار ارشد سنجش از دور در دانشگاه سوران و همچنین همکار ارشد پروژه GBD در دانشگاه واشنگتن هستم. در رتبه‌بندی Stanford/Elsevier سال 2025 در میان 2% دانشمندان برتر شناخته شده‌ام. بیش از دهه‌ای تجربه در پایتون، جاوااسکریپت و R دارم. پایه‌ای قوی در GEE، بیگ دیتا، سنجش از دور/GIS، مشاهدات زمین و اقلیم دارم. دارای مدرک دکترای جغرافیا (سنجش از دور) از دانشگاه لستر هستم. بیش از 80 مقاله پژوهشی با داوری همتایان در مجلات معتبر منتشر کرده‌ام، از جمله The Lancet (شاخص تأثیر 98.4). تخصص من در سنجش از دور و تحلیل فضایی به من این امکان را داده تا با پژوهشگران رشته‌های مختلف همکاری کنم و راه‌حل‌های نوآورانه‌ای برای پرسش‌های پژوهشی پیچیده ارائه دهم.
poster

هوش مصنوعی ژئومکانی — یادگیری عمیق برای تصاویر ماهواره ای

13دانشجو

دوره‌های مشابه