近年来，Python编程语言受到越来越多科研人员的喜爱，在多个编程语言排行榜中持续夺冠。同时，伴随着深度学习的快速发展，人工智能技术在各个领域中的应用越来越广泛。机器学习是人工智能的基础，因此，掌握常用机器学习算法的工作原理，并能够熟练运用Python建立实际的机器学习模型，是开展人工智能相关研究的前提和基础。因此，Ai尚研修推出全新的Python数据挖掘与机器学习课程，为各领域人员量身定制内容，让你畅学Python编程及机器学习理论与代码实现方法，从“基础编程→机器学习→代码实现”逐步掌握。

采用“理论讲解+案例实战+动手实操+讨论互动”相结合的方式，抽丝剥茧、深入浅出分析机器学习在应用时需要掌握的经验及编程技巧。此外，还将通过实际案例的形式，介绍如何提炼创新点，以及如何发表高水平论文等相关经验。旨在帮助学员掌握Python编程的基础知识与技巧、特征工程（数据清洗、变量降维、特征选择、群优化算法）、回归拟合（线性回归、BP神经网络、极限学习机）、分类识别（KNN、贝叶斯分类、支持向量机、决策树、随机森林、AdaBoost、XGBoost与LightGBM等）、聚类分析（K均值、DBSCAN、层次聚类）、关联分析（关联规则、协同过滤、Apriori算法）的基本原理及Python代码实现方法。

Python 数据挖掘与机器学习 (qq.com)

基于python多光谱遥感数据处理、图像分类、定量评估及机器学习方法应用 (qq.com)

 普通数码相机记录了红、绿、蓝三种波长的光，多光谱成像技术除了记录这三种波长光之外，还可以记录其他波长（例如：近红外、热红外等）光的信息。与昂贵、不易获取的高光谱、高空间分辨率卫星数据相比，中等分辨率的多光谱卫星数据可以免费下载获取，例如：landsat数据、哨兵-2号数据、Aster数据、Modis数据等，这些海量的长时间对地观测数据，蕴藏着丰富的信息。随着无人机行业的快速发展，无人机作为一种低成本的平台，具有时效高、灵活性强、空间分辨率优等特点，可以作为卫星多光谱数据的有效补充，也发挥了越来越重要的作用。

基于卫星或无人机平台的多光谱数据在地质、土壤调查和农业等应用领域发挥了重要作用，在地质应用方面，综合Aster的短波红外波段、landsat热红外波段等多光谱数据，可以通过不同的多光谱数据组合，协同用于矿物信息有效提取。此外，随着机器学习方法的深入应用，多光谱数据在矿物填图、矿山环境监测等方面都发挥了重要作用，并显示出巨大的应用潜力。在农业应用领域，无人机、卫星多光谱遥感技术已成为作物长势监测的重要技术手段。通过最佳植被指数和最优的数据采集时期，构建相关地区的水稻、小麦等作物估产模型，可以为不同尺度的作物估产和长势评估提供重要技术支持。针对土壤调查研究，以卫星、无人机多光谱为主要数据源，结合多种机器学习方法，可以进行土壤有机质、盐度等理化参数评估。

第一章

基础理论和数据下载、处理

1、多光谱遥感基础理论和主要数据源

多光谱遥感基本概念； 介绍光谱、多光谱、RGB真彩色、彩色图像、反射率、DN值、辐射亮度等基本理论和概念。多光谱遥感的主要卫星数据源介绍及下载方法（哨兵、Landsat、Aster、Modis等）。典型地物光谱特征，矿物、土壤、植被光谱诊断特征及理论基础。

2、多光谱数据预处理方法

多光谱遥感的数据处理方法，数据辐射校正、正射校正、地形校正、数据合成、数据镶嵌，基于SNAP软件的哨兵数据预处理方法；基于ENVI软件的多光谱数据预处理、波段组合、光谱指数计算、图像分类等方法。

第二章

多光谱遥感数据处理Python环境搭建和开发基础

1、Python介绍及安装、常用功能

Python开发语言介绍；Pycharm、Anaconda软件下载、安装和常用功能介绍；Python 基础语法和开发实践。Python多光谱图像处理虚拟环境的构建与第三方包安装。

2、Python 中的空间数据介绍和处理

使用geopandas 读取矢量数据 shapefile文件 ，在Python中查看矢量数据元数据和坐标系统，在Python中访问和查看矢量数据属性，矢量数据处理。学习在Python中对栅格数据集进行重新分类。使用 shapefile 文件在Python中裁剪栅格数据集，使用rasterio处理栅格数据。

3、Python多光谱图像数据显示、读取和预处理方法

多光谱数据读取和显示；数据预处理（辐射校正、大气校正）模块介绍及解析。数据处理常见程序及解析。

第三章

Python机器学习、深度学习方法与实现

1、机器学习方法及Python实现

Python机器学习库scikit-learn；包括：安装scikit-learn、数据集生成、数据切分、数据标准化和归一化；

从回归、分类、聚类、降维4个方面学习scikit-learn的使用，包括随机森林、决策树、支持向量机、朴素贝叶斯等机器学习方法。

2、深度学习方法及Python实现

 深度学习基本概念，介绍Python机器学习库PyTorch，涉及处理数据、创建模型、优化模型参数和保存经过训练的模型，介绍在 PyTorch 中实现的完整 ML 工作流程。

第四章

基于python的多光谱遥感数据清理与信息提取技术

多光谱数据清理和光谱指数计算方法

描述云层覆盖对遥感数据分析的影响。使用掩膜去除被云/阴影覆盖的光谱数据集（图像）的部分。基于python计算NDVI：归一化差异植被指数，

NDYI：归一化差异黄度指数，NBUI：新建筑指数。NBLI：归一化差异裸地指数，NDWI：归一化差异水指数等。

多光谱机器学习数据整理和分类方法

多光谱数据重组整理、机器学习模型构建、训练方法。使用深度学习框架实现遥感影像地物识别分类；采用随机森林等机器学习方法实现多光谱遥感图像分类；PyTorch训练U-Net模型实现多光谱卫星影像语义分割等。

多光谱数据协同方法

多时间序列的多光谱数据处理方法，地物分类和分析，卫星、无人机、地面多传感器协同方法介绍。

第五章

典型案例

1. 矿物识别典型案例

基于Aster数据的矿物填图试验案例，讲解Aster数据预处理、波段比值分析，矿物光谱匹配方法。

基于Landsat数据的蚀变矿物识别案例，学习Landsat 数据处理方法，波段组合方法、波段比值方法，PCA变换、MNF变换等方法。

Landsat和Aster、高光谱数据综合使用矿物识别案例，采用Landsat数据、Aster数据、资源02E数据进行绢云母、绿泥石等蚀变矿物信息提取和定量评估。涉及研究区高光谱影像读取、评估矿物种类数目、评估矿物含量、数据处理、矿物图可视化等。

土壤评价与多光谱案例

基于哨兵、Landsat数据对土壤质量参数进行评估，涉及多光谱与土壤调查方案设计、多光谱数据土壤质量参数建模，结果精度评价及可视化等。

3 植被农作物多光谱分析案例

基于Landsat-8数据植被光谱指数的计算和植被分类；基于时间序列的哨兵数据农作物分类案例；农作物产量评估和长势预测算法案例。