Основы машинного обучения в геопроектах

Продолжительность обучения: 22 ак. часа
Формат обучения: очно, онлайн
Еженедельные занятия – по понедельникам с 16 до 19 часов (время мск)

Стоимость обучения: 35 000 руб.

Цель программы:  повышение профессионального уровня в рамках имеющейся квалификации, получение знаний в области актуального геи-Искусственного интеллекта. Получение практических навыков разработки и использования моделей машинного обучения для геопроектов (использование Python и среды разработки Google Colab). 

Категории слушателей: ГИС-инженеры и ГИС-аналитики, геомаркетологи, ГИС-специалисты, картографы, специалисты по работе с данными дистанционного зондирования Земли, сотрудники ИТ-подразделений, занимающиеся внедрением ГИС, инженеры смежных специальностей: геологи, геофизики, изыскатели и другие специалисты с высшим и средним образованием, чья деятельность связана с науками о земле, геоаналитикой и геомаркетингом. 

Во время прохождения обучения слушатели смогут:
- создавать базовые геомодели машинного обучения при помощи кластеров, классификации и регрессионного анализа;
- применить ансамблевые алгоритмы для решения геозадачи (на примере Random Forest);
- выполнить сборку геомоделей в пайплайн для производственного проекта.

Преподаватель курса: Подольская Екатерина Сергеевна

• ведущий научный сотрудник Центра по проблемам экологии и продуктивности лесов им. А. С. Исаева Российской академии наук (ЦЭПЛ РАН);
• ГИС-аналитик и проектный руководитель с более чем 20-летним опытом производственной и исследовательской деятельности в России, Европе и Азии (нефтегазовый комплекс и лесное хозяйство);
• автор и преподаватель курсов геоинформационных дисциплин в вузах Москвы (МИИГАиК, РТУ МИРЭА, НИУ ВШЭ): разработка и администрирование баз геоданных, нормативно-правовое обеспечение ГИС-проектов, цифровые модели рельефа и местности, интеллектуальные ГИС, экспертные системы в геоинформатике, ГИС-обеспечение транспортных систем, использование БАС в ГИС, использование ГИС-технологий при создании социально-экономических карт, веб-картографирование, геоинформатика для журналистов, машинное обучение для решения пространственных задач;

Научные интересы: комплексная транспортная доступность объектов инфраструктуры лесного хозяйства и предприятий лесопромышленного комплекса регионов России, гео-искусственный интеллект, нейронные сети, датасеты машинного обучения, экспертные системы и интеллектуальные ГИС.

Необходимые базовые знания для успешного прохождения курса:
Знание синтаксиса языка разработки Python, понимание математических основ машинного обучения, регистрация в GoogleColab (потребуется google-account);

Итоговые документы по окончании обучения при условии успешного прохождения итоговой аттестации, выдаётся удостоверение повышения квалификации.

Разделы программы:
 
1.     Машинное обучение (ML) в Data Science и AI. Особенности применения в геоаналитике.
ML в Data Science. Развитие AI во времени. Примеры областей ML. ML в научных публикациях. Модели в ML: сельское хозяйство, прогнозирование, пользовательские предпочтения. Приложения и прикладные вопросы использования ML. Электронные ресурсы сети Интернет и книги по ML.
 
2.     Кластерный анализ. Обучение без учителя. Геопримеры.
Задача, алгоритм и этапы кластеризации. Метод ближайших соседей (kNN). Метод k средних (k-means). Плотностной алгоритм пространственной кластеризации с присутствием шума (Density-based spatial clustering of applications with noise — DBSCAN). Иерархические методы кластеризации. Метрики кластеризации. Примеры в геоинформатике.
 
3.     Классификация и регрессия. Обучение с учителем. Геопримеры.
Основные понятия и задачи классификации. Линейный классификатор. Метрики качества классификации. Модель линейной регрессии. Полиномиальная регрессия. Логистическая регрессия и ее модель. Примеры в геоинформатике.
 
4.     Деревья решений и ансамбли алгоритмов. Геопримеры. Деревья решений (решающие деревья). Ансамбли алгоритмов. Случайные леса (Random Forests). Bagging. Boosting. Stacking.Программная реализация деревьев решений и ансамблей алгоритмов. Примеры работ в геоинформатике.
 
5.     Машинное обучение в производственных геопроектах. ML-проект: этапы и организация, способы интеграции в производственные процессы. Способы организации процесса внедрения машинного обучения в производственные процессы: постановка задачи, формулировка кейса, декомпозиция процесса на отдельные задачи, выполнение задач, встраивание результатов в производственную деятельность.

Ответы на вопросы по курсу, рекомендации для дальнейшего изучения геоИИ.
Итоговый зачет по выполнению практических работ.
Лекция 1,5 астрономических часа.
Практическая работа - 1,5 астрономических часа: задание для самостоятельной работы, разбор и обсуждение геопримеров.

Более подробная информация о программе, а также запись на курс
по тел: +7 917 585 49 82 или по эл. почте: dpo@crc-group.ru