Bewertung:

Derzeit gibt es keine Leserbewertungen. Die Bewertung basiert auf 2 Stimmen.
Machine Learning on Geographical Data Using Python: Introduction into Geodata with Applications and Use Cases
Machen Sie sich mit den Grundlagen von geografischen Informationssystemen (GIS), Geodatenanalyse und maschinellem Lernen auf Geodaten in Python vertraut. Dieses Buch beginnt mit einer Einführung in Geodaten und behandelt Themen wie GIS und gängige Werkzeuge, Standardformate von Geodaten und einen Überblick über Python-Werkzeuge für Geodaten. Besonderheiten und Schwierigkeiten, die bei der Verwendung von Geodaten auftreten können, werden besprochen: von Koordinatensystemen und Kartenprojektionen bis hin zu verschiedenen Geodatenformaten und -typen wie Punkten, Linien, Polygonen und Rastern. Analytische Operationen, die typischerweise auf Geodaten angewendet werden, werden erklärt, wie z.B. Beschneiden, Schneiden, Puffern, Zusammenführen, Auflösen und Löschen, mit Implementierungen in Python. Anwendungsfälle und Beispiele sind enthalten. Das Buch konzentriert sich auch auf die Anwendung fortgeschrittener Ansätze des maschinellen Lernens auf geografische Daten und stellt Interpolation, Klassifizierung, Regression und Clustering anhand von Beispielen und Anwendungsfällen vor. Dieses Buch ist Ihre erste Anlaufstelle für maschinelles Lernen auf Geodaten. Es stellt die Grundlagen der Arbeit mit Geodaten und fortgeschrittene Anwendungen vor. Die Beispiele werden anhand von Code präsentiert (zugänglich unter github.com/Apress/machine-learning-geographic-data-python) und erleichtern das Lernen durch Anwendung.
Was Sie lernen werden
⬤ Verstehen Sie die grundlegenden Konzepte der Arbeit mit Geodaten.
⬤ Mit mehreren geografischen Datentypen und Dateiformaten in Python arbeiten.
⬤ Erstellen von Karten in Python.
⬤ Maschinelles Lernen auf geografische Daten anwenden.
Für wen ist dieses Buch gedacht?
Leser mit einem grundlegenden Verständnis von maschinellem Lernen, die ihre Fähigkeiten auf die Analyse von und das maschinelle Lernen auf Geodaten ausdehnen möchten, während sie in einer gewöhnlichen Data Science Python-Umgebung bleiben.