دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید
در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید
برای کاربرانی که ثبت نام کرده اند
درصورت عدم همخوانی توضیحات با کتاب
از ساعت 7 صبح تا 10 شب
ویرایش: [1 ed.]
نویسندگان: Joos Korstanje
سری:
ISBN (شابک) : 1484282868, 9781484282861
ناشر: Apress
سال نشر: 2022
تعداد صفحات: 327
زبان: English
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود)
حجم فایل: 19 Mb
در صورت تبدیل فایل کتاب Machine Learning on Geographical Data Using Python: Introduction into Geodata with Applications and Use Cases به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب یادگیری ماشینی بر روی داده های جغرافیایی با استفاده از پایتون: مقدمه ای بر داده های جغرافیایی با برنامه ها و موارد استفاده نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
با اصول اولیه سیستم های اطلاعات جغرافیایی (GIS)، تجزیه و تحلیل مکانی، و یادگیری ماشین بر روی داده های مکانی در پایتون راه اندازی کنید. این کتاب با مقدمهای بر دادههای جغرافیایی شروع میشود و موضوعاتی مانند GIS و ابزارهای رایج، فرمتهای استاندارد دادههای جغرافیایی و مروری بر ابزارهای پایتون برای دادههای جغرافیایی را پوشش میدهد. ویژگیها و مشکلاتی که ممکن است در هنگام استفاده از دادههای جغرافیایی با آنها مواجه شود، مورد بحث قرار میگیرند: از سیستمهای مختصات و پیشبینی نقشهها تا قالبها و انواع دادههای جغرافیایی مختلف مانند نقاط، خطوط، چندضلعیها و شطرنجیها. عملیات تجزیه و تحلیل که معمولاً برای دادههای جغرافیایی اعمال میشود، مانند برش، تقاطع، بافر کردن، ادغام، حل کردن و پاک کردن با پیادهسازی در پایتون توضیح داده میشوند. موارد استفاده و نمونه گنجانده شده است. این کتاب همچنین بر روی استفاده از رویکردهای پیشرفتهتر یادگیری ماشین برای دادههای جغرافیایی تمرکز دارد و درون یابی، طبقهبندی، رگرسیون و خوشهبندی را از طریق مثالها و موارد استفاده ارائه میدهد. این کتاب منبع اصلی شما برای یادگیری ماشینی روی داده های جغرافیایی است. اصول کار با داده های مکانی و برنامه های پیشرفته را ارائه می دهد. مثال ها با استفاده از کد ارائه می شوند و یادگیری توسط برنامه را تسهیل می کنند. آنچه خواهید آموخت درک مفاهیم اساسی کار با داده های جغرافیایی کار با انواع داده های جغرافیایی و فرمت های فایل در پایتون ایجاد نقشه ها در پایتون استفاده از یادگیری ماشین بر روی داده های جغرافیایی این کتاب برای خوانندگانی با درک اولیه از یادگیری ماشینی است که مایل به گسترش آن هستند. مجموعه مهارت آنها برای تجزیه و تحلیل و یادگیری ماشینی بر روی داده های مکانی در حالی که در یک محیط علوم داده مشترک پایتون باقی می مانند.
Get up and running with the basics of geographic information systems (GIS), geospatial analysis, and machine learning on spatial data in Python. This book starts with an introduction to geodata and covers topics such as GIS and common tools, standard formats of geographical data, and an overview of Python tools for geodata. Specifics and difficulties one may encounter when using geographical data are discussed: from coordinate systems and map projections to different geodata formats and types such as points, lines, polygons, and rasters. Analytics operations typically applied to geodata are explained such as clipping, intersecting, buffering, merging, dissolving, and erasing, with implementations in Python. Use cases and examples are included. The book also focuses on applying more advanced machine learning approaches to geographical data and presents interpolation, classification, regression, and clustering via examples and use cases. This book is your go-to resource for machine learning on geodata. It presents the basics of working with spatial data and advanced applications. Examples are presented using code and facilitate learning by application. What You Will Learn Understand the fundamental concepts of working with geodata Work with multiple geographical data types and file formats in Python Create maps in Python Apply machine learning on geographical data Who This Book Is For Readers with a basic understanding of machine learning who wish to extend their skill set to analysis of and machine learning on spatial data while remaining in a common data science Python environment
Table of Contents About the Author About the Technical Reviewer Introduction Part I: General Introduction Chapter 1: Introduction to Geodata Reading Guide for This Book Geodata Definitions Cartesian Coordinates Polar Coordinates and Degrees The Difference with Reality Geographic Information Systems and Common Tools What Are Geographic Information Systems ArcGIS QGIS and Other Open Source ArcGIS Alternatives Python/R Programming Standard Formats of Geodata Shapefile Google KML File GeoJSON TIFF/JPEG/PNG CSV/TXT/Excel Overview of Python Tools for Geodata Key Takeaways Chapter 2: Coordinate Systems and Projections Coordinate Systems Geographic Coordinate Systems Latitude and Longitude WGS 1984 Geographic Coordinate System Other Geographic Coordinate Systems Projected Coordinate Systems X and Y Coordinates Four Types of Projected Coordinate Systems Equal Area Projections Example 1: Mollweide Projection Example 2: Albers Equal Area Conic Conformal Projections Mercator Lambert Conformal Conic Equidistant Projections Azimuthal Equidistant Projection Equidistant Conic Projection True Direction or Azimuthal Projections Lambert Equal Area Azimuthal Two-Point Equidistant Projection Local Coordinate Systems Which Coordinate System to Choose Playing Around with Some Maps Example: Working with Own Data Step 1: Make Your Own Dataset on Google My Maps Step 2: Add Some Features on Your Map Step 3: Export Your Map As a .KML Step 4: Import the .KML in Python Step 5: Plot the Map Step 6: Change the Coordinate System Step 7: Plot the Map Again Key Takeaways Chapter 3: Geodata Data Types Vector vs. Raster Data Dealing with Attributes in Vector and Raster Points Definition of a Point Importing an Example Point Dataset in Python Some Basic Operations with Points Filter Morning vs. Afternoon Lines Definition of a Line An Example Line Dataset in Python Polygons Definition of a Polygon An Example Polygon Dataset in Python Some Simple Operations with Polygons Rasters/Grids Definition of a Grid or Raster Importing a Raster Dataset in Python Key Takeaways Chapter 4: Creating Maps Mapping Using Geopandas and Matplotlib Getting a Dataset into Python Making a Basic Plot Plot Title Plot Legend Mapping a Point Dataset with Geopandas and Matplotlib Concluding on Mapping with Geopandas and Matplotlib Making a Map with Cartopy Concluding on Mapping with Cartopy Making a Map with Plotly Concluding on Mapping with Plotly Making a Map with Folium Concluding on Mapping with Folium Key Takeaways Part II: GIS Operations Chapter 5: Clipping and Intersecting What Is Clipping? A Schematic Example of Clipping What Happens in Practice When Clipping? Clipping in Python What Is Intersecting? What Happens in Practice When Intersecting? Conceptual Examples of Intersecting Geodata Intersecting in Python Difference Between Clipping and Intersecting Key Takeaways Chapter 6: Buffers What Are Buffers? A Schematic Example of Buffering What Happens in Practice When Buffering? Buffers for Point Data Buffers for Line Data Buffers for Polygon Data Creating Buffers in Python Creating Buffers Around Points in Python Creating Buffers Around Lines in Python Creating Buffers Around Polygons in Python Combining Buffers and Set Operations Key Takeaways Chapter 7: Merge and Dissolve The Merge Operation What Is a Merge? A Schematic Example of Merging Different Definitions of Merging Merging in Python Row-Wise Merging in Python Attribute Join in Python Spatial Join in Python The Dissolve Operation What Is the Dissolve Operation? Schematic Overview of the Dissolve Operation The Dissolve Operation in Python Key Takeaways Chapter 8: Erase The Erase Operation Schematic Overview of Spatially Erasing Points Schematic Overview of Spatially Erasing Lines Schematic Overview of Spatially Erasing Polygons Erase vs. Other Operations Erase vs. Deleting a Feature Erase vs. Clip Erase vs. Overlay Erasing in Python Erasing Portugal from Iberia to Obtain Spain Erasing Points in Portugal from the Dataset Cutting Lines to Be Only in Spain Key Takeaways Part III: Machine Learning and Mathematics Chapter 9: Interpolation What Is Interpolation? Different Types of Interpolation Linear Interpolation Polynomial Interpolation Piecewise Polynomial or Spline Nearest Neighbor Interpolation From One-Dimensional to Spatial Interpolation Spatial Interpolation in Python Linear Interpolation Using Scipy Interp2d Kriging Linear Ordinary Kriging Gaussian Ordinary Kriging Exponential Ordinary Kriging Conclusion on Interpolation Methods Key Takeaways Chapter 10: Classification Quick Intro to Machine Learning Quick Intro to Classification Spatial Classification Use Case Feature Engineering with Additional Data Importing and Inspecting the Data Spatial Operations for Feature Engineering Reorganizing and Standardizing the Data Modeling Model Benchmarking Key Takeaways Chapter 11: Regression Introduction to Regression Spatial Regression Use Case Importing and Preparing Data Iteration 1 of Data Exploration Iteration 1 of the Model Interpretation of Iteration 1 Model Iteration 2 of Data Exploration Iteration 2 of the Model Iteration 3 of the Model Iteration 4 of the Model Interpretation of Iteration 4 Model Key Takeaways Chapter 12: Clustering Introduction to Unsupervised Modeling Introduction to Clustering Different Clustering Models Spatial Clustering Use Case Importing and Inspecting the Data Cluster Model for One Person Tuning the Clustering Model Applying the Model to All Data Key Takeaways Chapter 13: Conclusion What You Should Remember from This Book Recap of Chapter 1 – Introduction to Geodata Recap of Chapter 2 – Coordinate Systems and Projections Recap of Chapter 3 – Geodata Data Types Recap of Chapter 4 – Creating Maps Recap of Chapter 5 – Clipping and Intersecting Recap of Chapter 6 – Buffers Recap of Chapter 7 – Merge and Dissolve Recap of Chapter 8 – Erase Recap of Chapter 9 – Interpolation Recap of Chapter 10 – Classification Recap of Chapter 11 – Regression Recap of Chapter 12 – Clustering Further Learning Path Going into Specialized GIS Specializing in Machine Learning Remote Sensing and Image Treatment Other Specialties Key Takeaways Index