Uczenie maszynowe na danych geograficznych przy użyciu Pythona: Wprowadzenie do geodanych z aplikacjami i przypadkami użycia

Opinie czytelników

Obecnie brak opinii czytelników. Ocena opiera się na 2 głosach.

Oryginalny tytuł:

Machine Learning on Geographical Data Using Python: Introduction into Geodata with Applications and Use Cases

Zawartość książki:

Poznaj podstawy systemów informacji geograficznej (GIS), analizy geoprzestrzennej i uczenia maszynowego na danych przestrzennych w Pythonie. Książka ta rozpoczyna się od wprowadzenia do geodanych i obejmuje takie tematy, jak GIS i popularne narzędzia, standardowe formaty danych geograficznych oraz przegląd narzędzi Pythona dla geodanych. Omówiono specyfikę i trudności, jakie można napotkać podczas korzystania z danych geograficznych: od układów współrzędnych i projekcji map po różne formaty i typy geodanych, takie jak punkty, linie, wielokąty i rastry. Wyjaśniono operacje analityczne zwykle stosowane do geodanych, takie jak przycinanie, przecinanie, buforowanie, scalanie, rozpuszczanie i wymazywanie, z implementacjami w Pythonie. Uwzględniono przypadki użycia i przykłady. Książka koncentruje się również na zastosowaniu bardziej zaawansowanych podejść uczenia maszynowego do danych geograficznych i przedstawia interpolację, klasyfikację, regresję i grupowanie za pomocą przykładów i przypadków użycia. Ta książka jest podstawowym źródłem wiedzy na temat uczenia maszynowego na geodanych. Przedstawia podstawy pracy z danymi przestrzennymi i zaawansowanymi aplikacjami. Przykłady są prezentowane za pomocą kodu (dostępnego pod adresem github.com/Apress/machine-learning-geographic-data-python) i ułatwiają naukę poprzez zastosowanie.

Czego się nauczysz

⬤ Zrozumieć podstawowe koncepcje pracy z geodanymi.

⬤ Pracować z wieloma typami danych geograficznych i formatami plików w Pythonie.

⬤ Tworzyć mapy w Pythonie.

⬤ Stosować uczenie maszynowe na danych geograficznych.

Dla kogo jest ta książka

Czytelnicy z podstawowym zrozumieniem uczenia maszynowego, którzy chcą rozszerzyć swój zestaw umiejętności o analizę i uczenie maszynowe na danych przestrzennych, pozostając w powszechnym środowisku Python do nauki o danych.