Tahmin etme, mekansal veri biliminin önemli bir parçasıdır. Gelecekteki değerleri tahmin etmek (örneğin, belirli bir konum için yarının hava kalitesini tahmin etmek), bilgilerin ölçeğini küçültmek (örneğin, seçmen katılımını bölge düzeyinde tahmin etmek için idari bölge düzeyinde seçmen katılımı verilerini kullanmak) veya bir veri kümesindeki eksik değerleri doldurmak için tahmin etme yöntemini kullanabilirsiniz.

ArcGIS, bu tür analizleri tamamlamanıza yardımcı olacak çeşitli tahmin araçları sağlar. Bu alıştırmada, Leo Breiman'ın rastgele orman algoritmasının bir uyarlamasını kullanan Orman Tabanlı Sınıflandırma ve Regresyon (Forest-based Classification and Regression) aracını kullanacaksınız. Bu denetimli makine öğrenimi algoritması, tahmine dayalı analiz için yararlı olabilecek modelleri eğitmek için mevcut verileri kullanmanıza olanak tanır.

Araç, tahmin etme için kullanılan, grup veya orman adı verilen birçok karar ağacı oluşturur. Her ağaç kendi tahminini oluşturur ve nihai tahminler yapmak için bir oylama şemasının parçası olarak kullanılır. Orman tabanlı yöntemin gücü, zayıf tahmin unsurlarını (ağaçların) ortak yönlerini yakalamak ve bunları güçlü bir tahmin unsuru (orman) oluşturmak için birleştirmektir. Bu aracı, model performansını iyileştirmek için değişkenleri ve parametreleri değiştirerek tahmini bir modeli eğitmek ve değerlendirmek için kullanacaksınız.

İndirilebilir doküman içerisindeki adımları dikkatlice takip ederek yaklaşık 90 dk. sürecek bir alıştırma yapacaksınız.

Uygunluk modellemesi, bir şey için en uygun veya en iyi yerin nerede olduğu gibi mekansal problemleri çözmek için temel yaklaşımlardan biridir.

İndirilebilir doküman içerisindeki adımları dikkatlice takip ederek yaklaşık 120 dk. sürecek bir alıştırma yapacaksınız.

İstatistiksel küme analizi, verilerinizdeki anlamlı kümeleri belirleyerek haritalarınızdaki sübjektifliği en aza indirmenize yardımcı olabilir. Sıcak Nokta Analizi (Hot Spot Analysis) ve Aykırı Değer Analizi (Outlier Analysis) araçları, verilerinizdeki mekansal örüntüleri tespit etmek için istatistikleri kullanır, ancak her biri bu modeller hakkında biraz farklı bilgiler sağlar.

Sıcak Nokta Analizi (Hot Spot Analysis), Getis-Ord Gi* istatistiği ile yüksek değerlerin (sıcak noktaların) ve düşük değerlerin (soğuk noktaların) istatistiksel olarak anlamlı mekansal kümelerini tanımlamak için kullanır.

Aykırı Değer Analizi (Outlier Analysis), Anselin Local Moran's I istatistiğini, yüksek ve düşük değerlerin istatistiksel olarak anlamlı kümelerini tanımlamak ve mekansal aykırı değerleri veya komşularından önemli ölçüde farklı değerlere sahip detayları tespit etmek için kullanır.

ArcGIS, geleneksel ve optimize edilmiş istatistiksel küme analizi araçları sunar. Optimize edilmiş istatistiksel küme analizi araçları, akıllı varsayılan değerler sağlamak için verilerinizi sorgular ve analiz iş akışını optimize eder. Geleneksel istatistiksel küme analizi araçları, verilerinizdeki mekansal ilişkileri tanımlamada size daha fazla esneklik sağlayarak analizinizde daha fazla kontrol sağlar. Bu alıştırmada, verilerdeki mekansal örüntüleri keşfetmek için optimize edilmiş istatistiksel küme analizi araçlarını kullanacaksınız.

İndirilebilir doküman içerisindeki adımları dikkatlice takip ederek yaklaşık 45 dk. sürecek bir alıştırma yapacaksınız.

Uzay-zaman örüntü madenciliği araçları, mekan-zaman eğilimlerini anlamanıza yardımcı olmak için verilerinizin mekansal ve zamansal yönlerini birleştirmek için istatistikleri kullanır.

Uzay-zaman örüntü madenciliğinde ilk adım, bir uzay-zaman küpü yaratmaktır. Uzay-zaman küpü verilerinizi çok boyutlu bir küp veri yapısında (netCDF) toplar. Küp, uzayı temsil eden x ve y boyutları ve zamanı temsil eden t boyutu ile verileri uzay-zaman kutularına toplar.

Uzay-zaman küpü oluşturmak için kullanabileceğiniz üç araç vardır. Kullandığınız araç, verilerinize ve mekansal sorunuza bağlıdır.

Bu alıştırmada, Emerging Hot Spot Analysis (Yükselen Sıcak Nokta Analizi) ve Local Outlier Analysis (Yerel Aykırı Değer Analizi) için kullanacağınız bir uzay-zaman küpü oluşturacaksınız.

İndirilebilir doküman içerisindeki adımları dikkatlice takip ederek yaklaşık 80 dk. sürecek bir alıştırma yapacaksınız.

Derin öğrenme, bir tür makine öğrenmesidir. Detay tanımlama ve örüntü tanıma için birden çok doğrusal olmayan işlem katmanına dayanır. ArcGIS, nesne tespiti de dahil olmak üzere çeşitli derin öğrenme analizlerini gerçekleştirmek için derin öğrenme çerçevelerini kullanır. Bir modeli birden fazla nesneyi algılayacak şekilde eğitmek, verilerin dijitalleştirilmesi ve toplanması için zaman ve masraf tasarrufu sağlar. Ayrıca, modeli farklı veri kümeleriyle ve farklı konumlarda kullanarak analizinizi genişletmenize olanak tanır.

İndirilebilir doküman içerisindeki adımları dikkatlice takip ederek yaklaşık 45 dk. sürecek bir alıştırma yapacaksınız.

ArcGIS, bir derin öğrenme analizini tamamlayabileceğiniz çeşitli yollar sunar. ArcGIS Pro'daki coğrafi işlem araçlarını veya analizi kod kullanarak tamamlamak için Python için ArcGIS API'i (Python API) kullanabilirsiniz. Seçtiğiniz yöntem, tercih ettiğiniz analiz ortamına bağlıdır. Bu alıştırmada, modeli ArcGIS Pro'daki coğrafi işlem araçlarını kullanarak veya bir Jupyter Notebook'taki Python API'i kullanarak eğitebilirsiniz.

İndirilebilir doküman içerisindeki adımları dikkatlice takip ederek yaklaşık 60 dk. sürecek bir alıştırma yapacaksınız.

Mekansal veri bilimindeki en önemli adımlardan biri, analizinizin sonuçlarını iletmektir. ArcGIS StoryMaps, karar vericilerle analiz sonuçlarınızı paylaşmak ve onları sürece dahil etmek için kullanabileceğiniz en güçlü araçlardan biridir. Hikayenizi görselleştirmenize yardımcı olmak için metin, resimler, haritalar ve diğer çoklu ortamları entegre eder.

Peki, nasıl iyi bir hikaye anlatabilirsiniz? Bu alıştırmada metni, görüntüleri ve haritaları kullanarak bilgiyi nasıl ilgi çekici bir hikayeye dönüştüreceğinizi öğrenmek için yeni hikaye oluşturucuyu kullanacaksınız.

İndirilebilir doküman içerisindeki adımları dikkatlice takip ederek yaklaşık 75 dk. sürecek bir alıştırma yapacaksınız.

ArcGIS StoryMaps kullanarak hikayeler oluşturmak, veri analistlerinin analiz sonuçlarını yöneticilere ve karar vericilere etkili bir şekilde iletmelerine yardımcı olabilir. ArcGIS StoryMaps oluşturucuyu kullanarak alıştırma yapmış ve etkili bir hikayenin özelliklerini belirlemiştiniz. Bu alıştırmada, bu becerileri kendi hikayenizi oluşturmak için kullanacaksınız. Bu hikaye daha önce kursta tamamladığınız bir analizin sonuçlarını iletecektir.

İndirilebilir doküman içerisindeki adımları dikkatlice takip ederek yaklaşık 90 dk. sürecek bir alıştırma yapacaksınız.