Curso online de Deep Learning aplicado a los SIG y la Teledetección
Grupo TYC GIS FormaciónCurso online
800 € 720 €
Duración : 8 Semanas
Las imágenes de drones y de satélite son un recurso fundamental del análisis del territorio. Pese a que son una fuente de datos extraordinaria y cada vez más fácil de conseguir, su análisis y extracción de productos derivados con técnicas clásicas de teledetección en Sistemas de Información Geográfica no es suficiente para grandes volúmenes de datos.
Este Big Data es un entorno ideal para ser analizado con técnicas de Inteligencia Artificial (IA) como el Deep Learning. El Deep Learning consiste en el diseño de algoritmos que tratan de imitar el cerebro humano aprendiendo hasta niveles superiores que el Machine Learning.
En este curso el alumno adquiere las nociones básicas para aplicar estas técnicas en el análisis de imágenes y extraer productos georreferenciados para ser explotados en un SIG o GIS.
Utilizando la librería Keras de Python y usando imágenes aéreas aprenderás a clasificar tipos de suelos, detectar y contar coches y árboles automáticamente o extraer la geometría de edificios de forma georreferenciada.
Emagister S.L. (responsable) tratará tus datos personales con la finalidad de gestionar el envío de solicitudes de información y comunicaciones promocionales de formación con tu consentimiento. Ejerce tus derechos de acceso, supresión, rectificación, limitación, portabilidad y otros, según se indica en nuestra política de privacidad.
Objetivos
La obtención, por parte del alumno, de conocimientos prácticos de deep learning, incluidas arquitecturas avanzadas, y la capacidad de aplicarlos en el entorno de los SIG y la teledetección. El aprendizaje del lenguaje Python, sus herramientas para desarrollar modelos de deep learning y manipular datos de SIG. Realizar proyectos para afianzar los conocimientos prácticos. El aprendizaje de Python y su entorno para cálculo científico Anaconda, junto a las librerías Numpy, Matplotlib y Pandas. Familiarizarse con el machine learning usando la librería Scikit Learn. La obtención, por parte del alumno de conocimientos prácticos de deep learning, creando diferentes modelos con Keras. Aprender a manipular formatos de datos SIG para traducir los resultados del análisis realizado con los modelos de deep learning.
A quién va dirigido
El curso está dirigido a cualquier profesional del ámbito de los SIG o la teledetección que quiera usar las tecnologías de visión artificial más actuales para analizar imágenes aéreas.
Requisitos
No son necesarios conocimientos previos dado que el curso comienza desde cero. No obstante, es muy recomendable tener conocimientos de informática.
Temario completo de este curso
- Introducción a Anaconda
- Fundamentos de Python
- Instalación de librerías y de un entorno para deep learning y SIG
- Numpy: Manejo y operaciones con arrays
- Gráficas con Matplotlib
- Pandas, manipulación de datos
Evaluación
Ud.2 - INTRODUCCIÓN AL MACHINE LEARNING- Inteligencia artificial, machine learning frente a enfoque tradicional
- Tipos de sistemas de machine learning
- ¿Cómo aprenden los ordenadores?
- Aprendizaje supervisado con Scikit-Learn
- ¿Qué es deep learning?
- Deep learning aplicado a imágenes aéreas
- Keras y Tensorflow
Evaluación.
Ud.3 - DEEP LEARNING, REDES NEURONALES- ¿Qúe es una red neuronal artificial?
- Aprendizaje en redes neuronales artificiales
- Evaluación del modelo
- Generalización, sobreajuste, regularización
Práctica 1: Clasificación de tipos de suelo en imágenes de Sentinel 2
Evaluación.
Ud.4 - REDES NEURONALES CONVOLUCIONALES- Ventajas de las redes neuronales convolucionales (CNN)
- Estructura y componentes
Práctica 2: Clasificación de tipos de suelo en imágenes de Sentinel 2 con CNN
- Arquitecturas relevantes y aprendizaje por transferencia
- Aumento de datos y generadores de datos
Práctica 3: Clasificación de escenas en imágenes de Google Earth con CNN
Evaluación.
Ud.5 - DETECCIÓN DE OBJETOS- Estrategias y arquitecturas para la detección de objetos
- Evaluación de modelos de detección
- RetinaNet. Descripción e instalación de la implementación
Práctica 4: Detección de árboles con RetinaNet
Práctica 5: Detección de vehículos con RetinaNet
Evaluación.
Ud.6 - SEGMENTACIÓN SEMÁNTICA- ¿Qúe es la segmentación semántica?
Práctica 6: Implementación de un modelo para segmentar edificios en imágenes de satélite
- Arquitecturas relevantes para la segmentación
- Evaluación de modelos de detección
- U-Net. Descripción e instalación de la implementación
Práctica 7: Segmentación de edificios en imágenes de satélite con U-Net
Evaluación.
Ud.7 - MANIPULACIÓN DE DATOS SIG EN PYTHON- Manipulación de datos en formato raster
- Manipulación de datos en formato vectorial
Práctica 8: Implementación de un sistema de deep learning con datos en formato SIG
Evaluación.
Ud.8 - DESARROLLO DEL PROYECTOSe planteará un proyecto final del curso y se proporcionarán los recursos necesarios para su realización.
Precio a consultar
1.900 €
Precio a consultar
1.500 €
2.525 € 1.940 €