近年來，Python編程語言受到越來越多科研人員的喜愛，在多個(gè)編程語言排行榜中持續(xù)奪冠。同時(shí)，伴隨著深度學(xué)習(xí)的快速發(fā)展，人工智能技術(shù)在各個(gè)領(lǐng)域中的應(yīng)用越來越廣泛。機(jī)器學(xué)習(xí)是人工智能的基礎(chǔ)，因此，掌握常用機(jī)器學(xué)習(xí)算法的工作原理，并能夠熟練運(yùn)用Python建立實(shí)際的機(jī)器學(xué)習(xí)模型，是開展人工智能相關(guān)研究的前提和基礎(chǔ)。因此，Ai尚研修推出全新的Python數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí)課程，為各領(lǐng)域人員量身定制內(nèi)容，讓你暢學(xué)Python編程及機(jī)器學(xué)習(xí)理論與代碼實(shí)現(xiàn)方法，從“基礎(chǔ)編程→機(jī)器學(xué)習(xí)→代碼實(shí)現(xiàn)”逐步掌握。

采用“理論講解+案例實(shí)戰(zhàn)+動(dòng)手實(shí)操+討論互動(dòng)”相結(jié)合的方式，抽絲剝繭、深入淺出分析機(jī)器學(xué)習(xí)在應(yīng)用時(shí)需要掌握的經(jīng)驗(yàn)及編程技巧。此外，還將通過實(shí)際案例的形式，介紹如何提煉創(chuàng)新點(diǎn)，以及如何發(fā)表高水平論文等相關(guān)經(jīng)驗(yàn)。旨在幫助學(xué)員掌握Python編程的基礎(chǔ)知識(shí)與技巧、特征工程（數(shù)據(jù)清洗、變量降維、特征選擇、群優(yōu)化算法）、回歸擬合（線性回歸、BP神經(jīng)網(wǎng)絡(luò)、極限學(xué)習(xí)機(jī)）、分類識(shí)別（KNN、貝葉斯分類、支持向量機(jī)、決策樹、隨機(jī)森林、AdaBoost、XGBoost與LightGBM等）、聚類分析（K均值、DBSCAN、層次聚類）、關(guān)聯(lián)分析（關(guān)聯(lián)規(guī)則、協(xié)同過濾、Apriori算法）的基本原理及Python代碼實(shí)現(xiàn)方法。

Python 數(shù)據(jù)挖掘與機(jī)器學(xué)習(xí) (qq.com)

基于python多光譜遙感數(shù)據(jù)處理、圖像分類、定量評(píng)估及機(jī)器學(xué)習(xí)方法應(yīng)用 (qq.com)

?普通數(shù)碼相機(jī)記錄了紅、綠、藍(lán)三種波長(zhǎng)的光，多光譜成像技術(shù)除了記錄這三種波長(zhǎng)光之外，還可以記錄其他波長(zhǎng)（例如：近紅外、熱紅外等）光的信息。與昂貴、不易獲取的高光譜、高空間分辨率衛(wèi)星數(shù)據(jù)相比，中等分辨率的多光譜衛(wèi)星數(shù)據(jù)可以免費(fèi)下載獲取，例如：landsat數(shù)據(jù)、哨兵-2號(hào)數(shù)據(jù)、Aster數(shù)據(jù)、Modis數(shù)據(jù)等，這些海量的長(zhǎng)時(shí)間對(duì)地觀測(cè)數(shù)據(jù)，蘊(yùn)藏著豐富的信息。隨著無人機(jī)行業(yè)的快速發(fā)展，無人機(jī)作為一種低成本的平臺(tái)，具有時(shí)效高、靈活性強(qiáng)、空間分辨率優(yōu)等特點(diǎn)，可以作為衛(wèi)星多光譜數(shù)據(jù)的有效補(bǔ)充，也發(fā)揮了越來越重要的作用。

基于衛(wèi)星或無人機(jī)平臺(tái)的多光譜數(shù)據(jù)在地質(zhì)、土壤調(diào)查和農(nóng)業(yè)等應(yīng)用領(lǐng)域發(fā)揮了重要作用，在地質(zhì)應(yīng)用方面，綜合Aster的短波紅外波段、landsat熱紅外波段等多光譜數(shù)據(jù)，可以通過不同的多光譜數(shù)據(jù)組合，協(xié)同用于礦物信息有效提取。此外，隨著機(jī)器學(xué)習(xí)方法的深入應(yīng)用，多光譜數(shù)據(jù)在礦物填圖、礦山環(huán)境監(jiān)測(cè)等方面都發(fā)揮了重要作用，并顯示出巨大的應(yīng)用潛力。在農(nóng)業(yè)應(yīng)用領(lǐng)域，無人機(jī)、衛(wèi)星多光譜遙感技術(shù)已成為作物長(zhǎng)勢(shì)監(jiān)測(cè)的重要技術(shù)手段。通過最佳植被指數(shù)和最優(yōu)的數(shù)據(jù)采集時(shí)期，構(gòu)建相關(guān)地區(qū)的水稻、小麥等作物估產(chǎn)模型，可以為不同尺度的作物估產(chǎn)和長(zhǎng)勢(shì)評(píng)估提供重要技術(shù)支持。針對(duì)土壤調(diào)查研究，以衛(wèi)星、無人機(jī)多光譜為主要數(shù)據(jù)源，結(jié)合多種機(jī)器學(xué)習(xí)方法，可以進(jìn)行土壤有機(jī)質(zhì)、鹽度等理化參數(shù)評(píng)估。

第一章

基礎(chǔ)理論和數(shù)據(jù)下載、處理

1、多光譜遙感基礎(chǔ)理論和主要數(shù)據(jù)源

多光譜遙感基本概念； 介紹光譜、多光譜、RGB真彩色、彩色圖像、反射率、DN值、輻射亮度等基本理論和概念。多光譜遙感的主要衛(wèi)星數(shù)據(jù)源介紹及下載方法（哨兵、Landsat、Aster、Modis等）。典型地物光譜特征，礦物、土壤、植被光譜診斷特征及理論基礎(chǔ)。

2、多光譜數(shù)據(jù)預(yù)處理方法

多光譜遙感的數(shù)據(jù)處理方法，數(shù)據(jù)輻射校正、正射校正、地形校正、數(shù)據(jù)合成、數(shù)據(jù)鑲嵌，基于SNAP軟件的哨兵數(shù)據(jù)預(yù)處理方法；基于ENVI軟件的多光譜數(shù)據(jù)預(yù)處理、波段組合、光譜指數(shù)計(jì)算、圖像分類等方法。

第二章

多光譜遙感數(shù)據(jù)處理Python環(huán)境搭建和開發(fā)基礎(chǔ)

1、Python介紹及安裝、常用功能

Python開發(fā)語言介紹；Pycharm、Anaconda軟件下載、安裝和常用功能介紹；Python?基礎(chǔ)語法和開發(fā)實(shí)踐。Python多光譜圖像處理虛擬環(huán)境的構(gòu)建與第三方包安裝。

2、Python 中的空間數(shù)據(jù)介紹和處理

使用geopandas 讀取矢量數(shù)據(jù) shapefile文件 ，在Python中查看矢量數(shù)據(jù)元數(shù)據(jù)和坐標(biāo)系統(tǒng)，在Python中訪問和查看矢量數(shù)據(jù)屬性，矢量數(shù)據(jù)處理。學(xué)習(xí)在Python中對(duì)柵格數(shù)據(jù)集進(jìn)行重新分類。使用 shapefile 文件在Python中裁剪柵格數(shù)據(jù)集，使用rasterio處理柵格數(shù)據(jù)。

3、Python多光譜圖像數(shù)據(jù)顯示、讀取和預(yù)處理方法

多光譜數(shù)據(jù)讀取和顯示；數(shù)據(jù)預(yù)處理（輻射校正、大氣校正）模塊介紹及解析。數(shù)據(jù)處理常見程序及解析。

第三章

Python機(jī)器學(xué)習(xí)、深度學(xué)習(xí)方法與實(shí)現(xiàn)

1、機(jī)器學(xué)習(xí)方法及Python實(shí)現(xiàn)

Python機(jī)器學(xué)習(xí)庫scikit-learn；包括：安裝scikit-learn、數(shù)據(jù)集生成、數(shù)據(jù)切分、數(shù)據(jù)標(biāo)準(zhǔn)化和歸一化；

從回歸、分類、聚類、降維4個(gè)方面學(xué)習(xí)scikit-learn的使用，包括隨機(jī)森林、決策樹、支持向量機(jī)、樸素貝葉斯等機(jī)器學(xué)習(xí)方法。

2、深度學(xué)習(xí)方法及Python實(shí)現(xiàn)

?深度學(xué)習(xí)基本概念，介紹Python機(jī)器學(xué)習(xí)庫PyTorch，涉及處理數(shù)據(jù)、創(chuàng)建模型、優(yōu)化模型參數(shù)和保存經(jīng)過訓(xùn)練的模型，介紹在 PyTorch 中實(shí)現(xiàn)的完整 ML 工作流程。

第四章

基于python的多光譜遙感數(shù)據(jù)清理與信息提取技術(shù)

多光譜數(shù)據(jù)清理和光譜指數(shù)計(jì)算方法

描述云層覆蓋對(duì)遙感數(shù)據(jù)分析的影響。使用掩膜去除被云/陰影覆蓋的光譜數(shù)據(jù)集（圖像）的部分?；趐ython計(jì)算NDVI：歸一化差異植被指數(shù)，

NDYI：歸一化差異黃度指數(shù)，NBUI：新建筑指數(shù)。NBLI：歸一化差異裸地指數(shù)，NDWI：歸一化差異水指數(shù)等。

多光譜機(jī)器學(xué)習(xí)數(shù)據(jù)整理和分類方法

多光譜數(shù)據(jù)重組整理、機(jī)器學(xué)習(xí)模型構(gòu)建、訓(xùn)練方法。使用深度學(xué)習(xí)框架實(shí)現(xiàn)遙感影像地物識(shí)別分類；采用隨機(jī)森林等機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)多光譜遙感圖像分類；PyTorch訓(xùn)練U-Net模型實(shí)現(xiàn)多光譜衛(wèi)星影像語義分割等。

多光譜數(shù)據(jù)協(xié)同方法

多時(shí)間序列的多光譜數(shù)據(jù)處理方法，地物分類和分析，衛(wèi)星、無人機(jī)、地面多傳感器協(xié)同方法介紹。

第五章

典型案例

1. 礦物識(shí)別典型案例

基于Aster數(shù)據(jù)的礦物填圖試驗(yàn)案例，講解Aster數(shù)據(jù)預(yù)處理、波段比值分析，礦物光譜匹配方法。

基于Landsat數(shù)據(jù)的蝕變礦物識(shí)別案例，學(xué)習(xí)Landsat?數(shù)據(jù)處理方法，波段組合方法、波段比值方法，PCA變換、MNF變換等方法。

Landsat和Aster、高光譜數(shù)據(jù)綜合使用礦物識(shí)別案例，采用Landsat數(shù)據(jù)、Aster數(shù)據(jù)、資源02E數(shù)據(jù)進(jìn)行絹云母、綠泥石等蝕變礦物信息提取和定量評(píng)估。涉及研究區(qū)高光譜影像讀取、評(píng)估礦物種類數(shù)目、評(píng)估礦物含量、數(shù)據(jù)處理、礦物圖可視化等。

土壤評(píng)價(jià)與多光譜案例

基于哨兵、Landsat數(shù)據(jù)對(duì)土壤質(zhì)量參數(shù)進(jìn)行評(píng)估，涉及多光譜與土壤調(diào)查方案設(shè)計(jì)、多光譜數(shù)據(jù)土壤質(zhì)量參數(shù)建模，結(jié)果精度評(píng)價(jià)及可視化等。

3?植被農(nóng)作物多光譜分析案例

基于Landsat-8數(shù)據(jù)植被光譜指數(shù)的計(jì)算和植被分類；基于時(shí)間序列的哨兵數(shù)據(jù)農(nóng)作物分類案例；農(nóng)作物產(chǎn)量評(píng)估和長(zhǎng)勢(shì)預(yù)測(cè)算法案例。