Искусственный Интеллект в ГИС. Учебно-практический семинар

На предстоящую конференцию Esri CIS к нам традиционно приедет Дмитрий Кудинов из Esri (США): всеми любимый эксперт по ArcGIS и искусственному интеллекту в ГИС. Дмитрий со своими коллегами подготовил учебно-практический семинар, участники семинара смогут попробовать себя в роли специалистов, обучающих нейронную сеть. Это мероприятие будет вынесено за основные дни конференции и пройдет в рамках предконференционного семинара 21 октября 2019 с 10 до 18 часов в офисе Esri CIS (Москва, ул. Смольная, 52 стр. 6).

Стоимость участия: 15 000 руб.
Формат: Практический семинар. Класс на ~15-20 человек. 2-3 часа теоретических материалов, 4-5 часов практических упражнений.
Продолжительность: 6-8 часов.
Уровень подготовки: основы ГИС, базовый Python. Знание Jupyter Notebook необязательно, но желательно.
Оборудование: свой ноутбук (с зарядным устройством), мышь.

Содержание:

Введение в ИИ, Машинное Обучение (Machine Learning), Глубокое Обучение (Deep Learning).
Примеры машинного обучения (МО).
1. Кригинг.
2. Случайный лес (Random Forest).
Основы Глубокого обучения (ГО).
1. Когда использовать МО, а когда ГО?
2. Искусственные нейронные сети.
  1. Перцептрон.
  2. Стохастический Градиентный Спуск и Обратное Распространение Ошибки.

Программное Обеспечение 2.0. iv. Шаг обучения, Функция Потерь.

Минибатч, Эпоха, Чекпоинт.
Гиперпараметры и их поиск.

Разбиение исходных данных на Обучающую, Валидационную и Тестовую выборки.
Переобучение / Недообучение.

Расширенные архитектуры нейронных сетей:
1. Конволюционные нейронные сети.
2. Рекурентные нейронные сети.
3. Генеративные нейронные сети.
4. Обучение с подкреплением.
5. Сети для работы с облаками точек.
Классификация, Детектирование, Сегментация в растровых данных и облаках точек.
Дообучение заранее обученной нейронной сети.

ArcGIS и ГО.
1. Подготовка данных. Инструмент Export Training Data for Deep Learning.
2. Использование обученной модели. Инструменты Detect Object Using Deep Learning, Classify Pixels Using Deep Learning.
3. Интеграция с фреймворками ГО.
4. ArcGIS API for Python и нейронные сети готовые к обучению.
5. Архитектура сети Single Shot Detector (SSD).
Практическое занятие №1: поиск деревьев и зданий на аэрофотоснимке с помощью ArcGIS API for Python и ArcGIS Pro.
1. Создание и экспорт данных для тренировки SSD.
2. Обучения и оценка модели нейронной сети.
3. Использование обученной модели для поиска и классификации объектов на аэрофотоснимке.
Публикация обученной модели как сервиса в ArcGIS Enterprise и использование сервиса тонкими клиентами.
Примеры использования ГО в ГИС.
1. Детектирование поврежденных зданий и дорог после урагана.
2. Автоматическое извлечение объектов из данных уличной (street-view) фотосъемки.
3. Реконструкция трехмерный зданий из данных LiDAR.
4. Детектирование объектов в облаках точек: здания, ЛЭП.
5. Предсказание времени поездки по графу дорог.
6. Оптимизация патрулирования.
Архитектура UNet и семантическая сегментация.
Практическое занятие №2: автоматическая классификация типов поверхности на спутниковых снимках с помощью ArcGIS API for Python и ArcGIS Pro.
1. Создание и экспорт данных для тренировки UNet.
2. Обучения и оценка модели нейронной сети.
3. Использование обученной модели для классификации типов поверхности на спутниковом снимке.
Вопрос/Ответ.
Заключение.