ArcGIS ile Derin Öğrenme Modelleri

ArcGIS ile Derin Öğrenme Modelleri

Derin Öğrenme Nedir?

Derin öğrenme, örnek verilerden öğrenmek için derin sinir ağlarını kullanan bir makine öğrenme tekniğidir. Tıpkı geleneksel denetimli görüntü sınıflandırması gibi, bu modeller verdiğimiz verilerde neyi arayacaklarını “öğrenmek” için eğitim örneklerini kullanır. Ancak, geleneksel bölümleme ve sınıflandırmanın aksine, derin öğrenme modelleri yalnızca tek tek piksellere veya piksel gruplarına bakmaz. Daha yüksek öğrenme kapasitesine sahiptirler ve görüntülerde çeşitli ölçeklerdeki karmaşık şekilleri, desenleri ve dokuları tanımayı öğrenebilirler. Bu, derin öğrenme modellerinin çeşitli koşullarda çok miktarda eğitim verisinden öğrenebilmesini sağlar. Eğitilen modeller daha sonra çok daha düşük bir bilgisayar hesaplama gücüyle çok daha çeşitli görüntülere uygulanabilir ve paylaştığınız kişiler tarafından yeniden kullanılabilir.

ArcGIS’te Derin Öğrenme

ArcGIS Pro’daki Image Analyst ek bileşeni, analistlerinin kullanımına özel bir Derin Öğrenme Araç Seti içerir . Bunun yanında basitleştirilmiş bir derin öğrenme paket yükleyicisi sayesinde, kütüphaneler ve modüler gibi gerekli bağımlılıklar kolaylıkla indirilebilir ve yükleme deneyimi basitleştirilmiştir. Eğer veri bilimcileri kod satırları kullanmak isterlerse, bu modelleri eğitmek için ArcGIS Pro, Enterprise ve ArcGIS Online’daki Python notebook’ları da kullanabilirler.

ArcGIS API for Python, çok çeşitli derin öğrenme modellerini kendi veri kümelerinizde eğitmeyi ve problemlerinizi çözmeyi kolaylaştıran arcgis.learn modülünü içerir . Gelişmiş CBS ve uzaktan algılama iş akışlarını destekleyen on beşten fazla derin öğrenme modeli içerir. Ek olarak, bu modeller çok çeşitli veri türlerini desteklemektedir, çeşitli türdeki görüntüler, nokta bulutları, batimetrik veriler, LiDAR, videolar, detay katmanları, tablosal veriler ve hatta yapılandırılmamış metinler bunlardan bazılarıdır.

Arcgis.learn modülündeki tüm modeller basit ve veriye duyarlı akıllı varsayılanlar sayesinde eğitilebilir. Modeller, ArcGIS’ten dışa aktarılan eğitim verilerini karmaşık bir ön işleme olmaksızın kullanır ve eğitilen modeller, modelin çıktısının sonradan işlenmesine gerek kalmadan doğrudan ArcGIS platformunda kullanılabilir.

Derin öğrenmenin son derece başarılı olduğu bir alan, görüntülerdir. Bilgisayar görüşü, bilgisayarların görüntülerdeki nesneleri görme veya tanıma becerisidir. Bu, özellikle CBS uygulamalarında çok faydalı olabilir çünkü günümüzde uydu, hava ve İHA görüntüleri, insanların üzerinde analizler uygulayıp, çıkarımda bulunabileceklerinden çok daha fazla ve hızlı üretilebilmektedir.

arcgis.learn’deki derin öğrenme modellerinin çeşitli CBS ve uzaktan algılama görevlerini gerçekleştirmek için nasıl kullanılabileceğine bakalım.

ArcGIS’teki Derin Öğrenme Modelleri ve Örnek Bağlantıları

1. Nesne Sınıflandırması

Arcgis.learn’deki FeatureClassifier (Detay Sınıflandırıcı) modeli, coğrafi detayları veya nesneleri görüntülerde nasıl göründüklerine göre sınıflandırmak için kullanılabilir. Bu model, ResNet, Inception veya VGG gibi görüntü sınıflandırma modellerinden yararlanır.

Nesne sınıflandırması kullanarak hasar değerlendirmesi. Hasarlı evler kırmızı, hasarsız olanlar ise mavi ile gösterilmiştir.

Nesne sınıflandırması kullanarak hasar değerlendirmesi. Hasarlı evler kırmızı, hasarsız olanlar ise mavi ile gösterilmiştir.

CBS’de bu modeller, orman yangınlarından sonra otomatik hasar değerlendirmesi yapmak veya yüzme havuzlarını temiz veya yosun istilasına uğramış yeşil havuzlar olarak sınıflandırmak için kullanılabilir .

Hasar değerlendirme iş akışını özetleyen örnek bir notebook’a buradan ulaşabilirsiniz.

Bu model uydu görüntüleriyle çalışmasının yanı sıra, veri toplama iş akışları için sahada da kullanılabilir. Aşağıdaki örnekte, Survey123 kullanarak bir ağaç envanteri oluşturmak için bir bitki türü tanımlama modeli kullanılmaktadır. Bu tür TensorFlow Lite modellerini entegre etmeyi desteklemektedir.

Sahadan veri toplanması ve otomatik bitki türlerinin tanımlanması

Sahadan veri toplanması ve otomatik bitki türlerinin tanımlanması.

2. Piksel Sınıflandırması

En çok tercih edilen diğer bir model ise bir görüntüdeki her pikseli etiketlediğimiz Piksel Sınıflandırmasıdır.

Derin öğrenme dünyasında “semantik segmentasyon” olarak bilinen piksel sınıflandırması işleri, UnetClassifier modeli, PSPNetClassifier ve DeepLab (v3) gibi daha yeni modellerle birlikte ArcGIS Python API’de bulunuyor.

Arcgis.learn'ın UnetClassifier modeli kullanılarak binaların taban alanı sınırlarını çıkarma

Arcgis.learn’ın UnetClassifier modeli kullanılarak binaların taban alanı sınırlarını çıkarma.

Bu modeller, uydu görüntülerinden bina taban alanı sınırlarını ve yolları çıkarmak veya arazi örtüsü sınıflandırması yapmak için kullanılabilir. Yukarıdaki örnekteki iş için derin öğrenme modelini eğitmek yalnızca birkaç basit adımla yapılabilir ve kayda değer sonuçlar alabilirsiniz.

Bu örnek notebook, yüksek çözünürlüklü arazi örtüsü verileriyle eğitilmiş bir UnetClassifier modelini kullanır. İyi çalışsa da her pikseli bilgisayara tanıtmak için çalışan bir insan tarafından bu kadar yüksek çözünürlüklü eğitim verilerini etiketlemek zaman alıcı ve masraflı olabilir.

Daha az eğitim örneği belirlenerek etiketlenmiş veriler kullanılarak arazi örtüsü sınıflandırması

Daha az eğitim örneği belirlenerek etiketlenmiş veriler kullanılarak arazi örtüsü sınıflandırması.

Python API ile seyrek olarak etiketlenmiş veriler kullanılarak bu tür modellerin eğitimi için kullanılabilirsiniz. Burada sadece birkaç alanı her bir arazi örtüsü sınıfına ait olarak etiketlememiz gerekiyor. Ardından, görüntüdeki her piksel için arazi örtüsünü bulmak için bir piksel sınıflandırma modeli eğitebiliriz.

3. Nesne Algılama

CBS’deki başka bir önemli iş ise bir görüntüdeki belirli nesneleri bulma ve konumlarını bir sınırlayıcı kutuyla işaretleme işidir. Daha çok nesne algılama olarak bilinen bu modeller, ağaçlarıkuyu yataklarınıyüzme havuzlarınıtuğla fırınları veya batimetrik verilerden gemi enkazlarını ve hatta çok daha fazlasını algılayabilir . Bu işlemleriniz için Arcgis.learn modülü SingleShotDetector, RetinaNet, YOLOv3 ve FasterRCNN gibi çeşitli nesne algılama modellerini içerir .

FasterRCNN en doğru sonuç veren modeldir ancak eğitilmesi ve çıkarım gerçekleştirmesi daha yavaştır. SingleShotDetector ve RetinaNet ise FasterRCNN tarafından kullanılan iki aşamalı yaklaşımın aksine nesneleri algılamak için tek aşamalı bir yaklaşım kullandıklarından daha hızlı modellerdir.

YOLOv3, arcgis.learn ailesindeki en yeni nesne algılama modelidir. Küçük nesneleri tespit etmede hızlı ve yüksek doğruluğa sahiptir ve Microsoft Common Objects in Content (COCO) veri kümesindeki 80 yaygın nesne türü üzerine önceden eğitilmiş olarak gelen arcgis.learn’deki ilk modeldir.

İHA’lardan alınan hareketli videodan tespit edilen yayın balıkları

İHA’lardan alınan hareketli videodan tespit edilen yayın balıkları.

Bu modeller hareketli videolardaki nesneleri bile algılayabilir. Bunun örnekleri için yayın balığını İHA videolarında veya trafikte seyreden bir araca monteli akıllı telefon videoları sayesinde yollardaki çatlakları bulma örneklerinde göz atabilirsiniz.

Bunların yanında nesneleri sadece sınırlayıcı bir kutuyla değil, aynı zamanda o nesneyi kaplayan kesin bir çokgen sınırı veya raster maskeyle de tespit edip konumlandırabilirsiniz. Derin öğrenme dünyasında, bu göreve “örnek bölümleme” deniyor çünkü görev, bir nesnenin her bir örneğini bulmayı ve onu bölümlere ayırmayı içerir.

Bunun için en popüler model MaskRCNN’dir ve arcgis.learn’de bu modeli de kullanabilirsniz. Modelin özellikle yan yana olan binaların taban alanı sınırlarını çıkarma örneğindeki başarısını inceleyebilirsiniz.

MaskRCNN tarafından üretilen maskelerden yapılan binanın 3D rekonstrüksiyonu

MaskRCNN tarafından üretilen maskelerden yapılan binanın 3D rekonstrüksiyonu.

Örnek olarak 3B binaları havadan kaydedilmiş LIDAR verilerinden yeniden inşa etmek için MaskRCNN’in kullanıldığı bir örnek için bağlantıya tıklayabilirsiniz.

4. Nokta Bulutu Bölümlemesi

3 Boyutlu çalışmalarınız için arcgis.learn modülünde bir 3B derin öğrenme desteği de bulunuyor.

PointCNN modeli nokta bulutu bölümlemesi için kullanılabilir. Bu görevde, nokta bulutundaki her noktaya, gerçek dünyadaki bir varlığı temsil eden bir etiket atanır.

PointCNN modeli kullanılarak nokta bulutunda binalar ve ağaçlar sınıflandırılarak oluşturulan 3B sahne.

PointCNN modeli kullanılarak nokta bulutunda binalar ve ağaçlar sınıflandırılarak oluşturulan 3B sahne.

Bu model, ham nokta bulutlarından binalar, zemin ve ağaçlar çıkararak 3B altlık haritaları oluşturmak için kullanılabilir. Diğer bir örnek ise havadan toplanmış LiDAR nokta bulutundan güç hatlarını ve elektrik direklerini çıkarmaktır. Vejetasyona temas eden kabloların tespit edilmesi ve kaçak kullanımları belirlemek bu model olmadan yapıldığında çok yoğun emek isteyen bir iştir.

5. Görüntü Geliştirme

Şimdiye kadar, görüntülerden ve nokta bulutlarından bilgi çıkarmanın birkaç örneğinde bahsettik. Bu işlerin yanında bir de düşük kaliteli raster verilerden daha yüksek çözünürlüklü görüntü sentezlemenizi sağlayan SuperResolution modeli de arcgis.learn bulunuyor. Bu model görüntülerinin görselleştirme kalitesini artırmanın yanı sıra görüntü yorumlanabilirliğini iyileştirmek için kullanılabilir.

 Hava görüntülerinde SuperResolution kullanılarak kalite arttırımı.

Hava görüntülerinde SuperResolution kullanılarak kalite artırımı.

Bu model polisiye filmlerde görmeye alışık olduğumuz “Yakınlaştır! Geliştir!” işlevini ArcGIS’e getiriyor! Düşük çözünürlüklü ve bulanık görüntüleri girdi olarak kullanabilir ve bunları yüksek kaliteli, yüksek çözünürlüklü görüntülere dönüştürebilirsiniz. Model gerçekçi doku ve detaylar ekleyerek, simüle edilmiş yüksek çözünürlüklü görüntüler üretir. Yukarıdaki ekran görüntüsüne bu işlemi yapan örnek notebook’a buradan ulaşabilirsiniz.

6. Tablo Verileri Üzerinde Sınıflandırma ve Regresyon

Derin öğrenmenin sadece görüntüler ve 3B veriler üzerinde çalışıyor gibi gelmiş olabilir. Bunun dışında da derin öğrenmeden fayadalanabiliyoruz. Derin sinir ağları, özellik katmanları ve tablo verileri üzerinde en az onlarda olduğu kadar iyi sonuçlar verir.

FullyConnectedNetwork modeliyle, detay katmanı veya raster verinizin tablosal değerlerini derin sinir ağlarında kullanabilirsiniz. Bu model ile biyoklimatik faktörlere göre bir hastalığa duyarlı alanları sınıflandırabilir veya hava faktörlerine bağlı olarak güneş enerjisi santrallerinin verimliliğini tahmin edebilirsiniz.

Gerçek ve öngörülen Güneş Enerjisi üretimi

Gerçek ve öngörülen güneş enerjisi üretimi.

Yukarıdaki grafikte mavi çizgi gerçek güneş enerjisi üretimini gösterir ve turuncu çizgi FullyConnectedNetwork modelinden tahmin edilen değerleri göstermektedir.

7. Yapılandırılmamış Metinden Varlık Çıkarma

Mekânsal veriler her zaman coğrafi veri tabanları ve Shapefile olarak düzgün bir şekilde paketlenmiş olarak gelmeyebilir. Genellikle saha ekipleri tarafından raporlar gibi yapılandırılmamış bir metin biçimde saklanırlar. Bu verileri mekânsal analizlerde kullanmak için, bunları detay katmanları gibi yapılandırılmış, standartlaştırılmış bir biçime dönüştürmeniz gerekir. Ancak, yapılandırılmamış metinleri okumak ve dönüştürmek zor ve zaman alıcıdır.

Suç türü, meydana geldiği yer, olayın zamanı ve ne zaman rapor edildiği gibi varlıkların altını çizen etiketli tüzel kişilere sahip suç olayı raporu.

Suç türü, meydana geldiği yer, olayın zamanı ve ne zaman rapor edildiği gibi varlıkların altını çizen etiketli tüzel kişilere sahip suç olayı raporu.

Derin Öğrenme, doğal dil işlemede çok ilerleme kaydetmiştir ve arcgis.learn’de bulunan EntityRecognizer modeli ile yapılandırılmamış metinden anlamlı mekânsal bilgiler elde edebilirsiniz.

Suç mahallerinin detay katmanı

Suç mahallerinin detay katmanı

Bu Notebook ile binlerce örnek polis raporunun bulunduğu yapılandırılmamış metin dosyasından bilgileri çekmek için bu modeli nasıl kullanabileceğinizi ve suç mahallerinin bir haritasını çıkarabileceğinizi öğrenebilirsiniz.

Diğer Modeller

Derin öğrenme alanı her geçen gün yepyeni gelişmeler gösteriyor. arcgis.learn’ın bu kadar çok modeli desteklemesinin yanında yine de yeni çıkacak başka modellere de ihtiyacınız olabilir.

Arcgis.learn’e, harici modelleri entegre edebilmeniz için genişletilebilirlik desteği eklendi. ModelExtension sınıfı herhangi başka bir nesne algılama modelini arcgis.learn’e entegre etmenizi sağlar. Model daha sonra ArcGIS tarafından dışa aktarılan eğitim verilerini doğrudan kullanabilir ve kaydedilen modeller ArcGIS derin öğrenme paketleri olarak kullanıma hazır hale gelir. Harici modelleri arcgis.learn ile entegre etmek, bu tür modelleri diğer modeller tarafından kullanılan aynı basit ve tutarlı API ile eğitmenize yardımcı olacaktır.

Ayrıca arcgis.learn , yeni MLModel sınıfını kullanarak ArcGIS’i popüler scikit-learn kitaplığındaki herhangi bir tahmin veya sınıflandırma modeliyle entegre etmenize de olanak sağlar.

Neden bu kadar çok model var?

Derin öğrenme, her ay çıkan yenilikler ve yeni modellerle hızla gelişen bir alandır ve Esri uzmanları bu yenilikleri aynı hızda ArcGIS’e getirerek, CBS’ye derin öğrenme yöntemlerini uygulamada, en yeni ve en iyi modelleri sunarak güncel kalmanızı sağlar.

Her modelin güçlü yönleri vardır ve belirli görevler için daha uygundur. Örneğin Nesne Algılamayı ele alırsak, FasterRCNN en iyi sonuçları verir, YOLOv3 en hızlıdır, SingleShotDetector iyi bir hız ve doğruluk dengesi sağlar ve RetinaNet küçük nesnelerle çok iyi çalışır.

Farklı modellerin bellek için farklı gereksinimleri vardır ve eğitim ve çıkarım hızları farklıdır. Daha büyük modelli daha derin sinir ağları daha doğru sonuçlar verir, ancak çok daha fazla belleğe ve daha uzun eğitim süreçlerine ihtiyaç duyar. Yeterince eğitebilmek için de daha büyük veri kümelerine ihtiyacınız vardır.

Bazı modeller ise hafiftir ve cep telefonları gibi mobil cihazlarda kullanım için daha uygundur.

Yetenekli zanaatkarların araç kutularındaki her bir araç hakkında bilgi sahibi olması gibi, yetenekli veri bilimcileri de her modeli benzersiz özelliklerine göre anlar ve çözülmesi gereken sorun bağlamında uygularlar.

Mekansal Veri Bilimi Açık Çevrimiçi Eğitimi

İçinde yukarıda bahsettiğimiz derin öğrenme ve nesne tespiti örneklerini de uygulayabileceğiniz, mekânsal veri ve veri bilimine dair bir ücretsiz eğitimimiz yakında geliyor.

Mekansal Veri Bilimi Mooc

Ücretsiz olmasının yanında ArcGIS Pro, ArcGIS Online, ArcGIS Notebooks, Image Analyst, Spatial Analyst gibi bir çok ürüne de eğitiminiz sırasında ücretsiz sahip olacaksınız.

Udemy platformu üzerinden tamamen Türkçe olarak gelecek ay yayınlamayı planlıyoruz. Haberler için bizi takip edin.

Kaynak:

https://www.esri.com/arcgis-blog/products/api-python/analytics/deep-learning-models-in-arcgis-learn/

Esri Türkiye, 2020

 

Esri Türkiye Eğitmenleri CompTIA Certified Technical Trainer Plus (CTT+) Sertifikalarıyla Küresel Standartlarda Eğitim Verdiğini Belgeliyor

Esri Türkiye Eğitmenleri CompTIA Certified Technical Trainer Plus (CTT+) Sertifikalarıyla Küresel Standartlarda Eğitim Verdiğini Belgeliyor

Esri Türkiye’den alacağınız eğitimler hakkında size bir haberimiz var. Esri Türkiye eğitmenleri de Esri Global’de olduğu gibi CompTIA Certified Technical Trainer Plus (CTT+) sertifikalarıyla, ileri seviye küresel eğitim standartlarında eğitim verdiğini belgeledi. Esri vizyonunu Esri Türkiye’nin diğer birimlerinde olduğu gibi eğitim birimi olarak da takip ediyoruz.

Esri Türkiye eğitmenleri olarak hepimiz konularımızda uzman olduğumuzu gösteren ve Esri tarafından yapılan sınavlar sonucunda aldığımız, birden çok Esri sertifikalarına sahibiz, bunların yanında bu yıl CompTIA CTT+ sertifikalarını da bunların yanına ekleyerek eğitimlerimizin küresel standartta olduğunu belgelemiş olduk.

Esri, Redlands Kaliforniya’daki ana yerleşkesinde verilen eğitimler gibi dünyanın diğer bölgelerindeki Esri distribütörlerinde de verilen eğitimlerin kalitesinin yüksek ve istikrarlı olması için standartları CompTIA CTT+ sertifikasına sahip olan eğitmenler sayesinde belirliyor.

Esri Global, 2010 yılında CompTIA CTT+ sertifikasını kendi eğitmenlerine ve distribütör eğitmenlerine zorunlu hale getirerek ortak bir eğitim anlayışını standart hale getirdi.

CompTIA CTT+ sertifikası, eğitimlere katılan yetişkinlerin bilgiyi nasıl öğrendikleri ve saklayabildikleri üzerine sağlam bir anlayışa dayanan 2 aşamalı ayrı sınavlar sonunda alınabiliyor.

İlk aşama yetişkin eğitimine dayanan 95 sorudan oluşan ve 90 dakika süren bir yazılı sınavdan geçmekle başlıyor. Ardından, gerçek ve canlı bir eğitimden kaydedilen 20 dakikalık İngilizce bir eğitim kaydının CompTIA jürisine gönderilip, jürinin değerlendirmeleri ardından başarılı olanlar ikinci aşamayı tamamlanmış oluyor ve sertifika almaya hak kazanıyorlar.

CompTIA CTT+ 2003 yılından beri dünyada kabul gören standart hale gelmiş şirketlerden bağımsız ve kâr amacı gütmeyen bir kuruluş olan The Computing Technology Industry Association’ın (Bilgisayar Teknolojileri Endüstrisi Derneği’nin) dünya çapında uyguladığı bir sınavdır.

Esri Global 2010 yılında bu sertifikanın alınmasını bütün eğitmenlerine zorunlu koştuktan 2 yıl sonra da CompTIA CTT+ Virtual Classroom yani Sanal Sınıf sertifikasını da çevrimiçi eğitim veren eğitmenlerine zorunlu hale getirdi. Bu sertifikalar sayesine eğitimlerden sonra yapılan katılımcı memnuniyet anketlerinde gözle görülür bir puan artışı yaşandı.

Esri’nin CTT+’ı kabul etmesindeki öncelikli hedef, eğitmenlerin CTT+ ilkelerini kullanarak kurs katılımcılarının ihtiyaçlarını anlamakta ileri seviye bir kavrayış sağlayabilmek olmuştur. Bu sayede katılımcılar iş ve okul hayatlarında başarıyla uygulayabilecekleri değişiklikler gerçekleştirebileceklerdir. CompTIA’nın kullandığı yeni yaklaşımla planlanan eğitimlerde, katılımcılar kursta öğrendikleri yeni bilgileri işlerinde hemen uygulamaya koyabiliyorlar.

Esri’nin güçlü yazılımları ilk başta karmaşık gelebilir, genellikle birbirine bağlı ve sürekli güncelleme alarak yeni yetenekler kazanan yazılımlardır. Kullanıcılar her sektörden ve ihtisastan olabilir. Aynı zamanda dünyanın dört bir yanından insanlar bu yazılımları kullanıyor olabilir. Esri eğitimleri birçok iş kültürünü tanımaları ve değişik uygulama yöntemlerine alışık olmalıdır.

Esri eğitmenleri güncel yazılımlar ve ürünler üzerine hali hazırda 20’den fazla farklı eğitimi sınıf ortamında ya da çevrimiçi olarak vermektedirler. Bunun yanında Web ve Mobil geliştiriciler ya da kullanıcılar için atölye çalışmaları ve eğitim kampları düzenlerler.

ABD’de tüm Esri eğitmenleri CTT+ sertifikalı olmak zorundadır. Eğer bu sertifikayı başarıyla alamazlarsa sınıfta eğitim veremezler. Uluslararası olarak dünyadaki eğitmenlerin de %60’tan fazlası bu sertifikaya sahiptir. Esri Türkiye’de bu sertifikaya sahip eğitmenleri olan sayılı Esri distribütörlerden biridir.

CTT+ sınavı iki aşamadan oluşuyor demiştik ve İngilizce bir sınavdır. Sınavın zaman kısıtlamaları anadili İngilizce olmayanlar için zorlayıcıdır. 95 çoktan seçmeli soru için 90 dakikalık bir yazılı sınavın ardından başarılı olursanız, gene İngilizce olarak kaydedilecek 20 dakikalık bir sınıf içi eğitim oturumu videosu göndermeniz ve jürilerin CompTIA CTT+’ın kriterlerine göre verdiğiniz eğitimi değerIendirerek başarılı olup olmadığınızı raporlamasıyla alından bir sertifikadır.

Konularında uzman olan eğitmenler CTT+ sayesinde eğitim verirken öğrencilerin bu yazılmaları öğrenmekteki ihtiyaçlarını nasıl destekleyebilecekleri konusunda daha fazla düşünme fırsatı buluyorlar.

İdeal eğitim ortamı bilinçli bir yaklaşım ve detaylı bir hazırlık gerektiriyor. Bunların başında ise öğrencilerin geçmişi ve beklentilerini anlamak gerekiyor. Öğrencilerin ders materyallerini anladığını doğrulamak için kurs boyunca düzenli kontroller yapmak ve öğrencilerin diğer öğrencilerle ve eğitmenlerle etkileşime girme konusunda kendilerini rahat hissettikleri güvenli bir ortam yaratmakla başlıyor.

CTT+ sayesinde eğitmenlerin bu derin anlayışa sahip olduğu belgelenmiş oluyor. Esri Türkiye’den aldığınız eğitimlerde bu sertifikaya sahip eğitmenler tarafından sunulan eğitim deneyimini yaşamak isterseniz, eğitim sitemize aşağıdaki bağlantıdan ulaşabilirsiniz.

egitim.esri.com.tr

Utku Şahin, Esri Türkiye 2020

 

 

Esri Türkiye Uzaktan Eğitimlerine Başladı!

Esri Türkiye Uzaktan Eğitimlerine Başladı!

Esri Türkiye eğitim ekibi olarak öğrenmenin başarı için en temel strateji olduğuna inanıyoruz. Bu nedenle, coğrafi bilgi sistemleri alanında yeteneklerini geliştirmek ve ArcGIS platformundan en yüksek değeri elde etmek isteyen kullanıcılarımızı desteklemek için her zaman yeni eğitim yolları arıyoruz. Kullanıcılarımızın profesyonel gelişim ihtiyaçlarını, alanının uzmanları tarafından oluşturulmuş Esri Uluslararası Eğitim Programını takip ederek ve ArcGIS teknolojisi hakkında uluslararası sertifika almış eğitim uzmanlarımız tarafından sunulan eğitimlerle karşılamaktayız.

Kullanıcılarımızın farklı ihtiyaçları olduğunu biliyor ve herkes için erişilebilir öğrenme fırsatları sunmak için çalışıyoruz. Bu nedenle, tüm kullanıcılarımızın ArcGIS öğrenme hedeflerine ulaşmalarına yardımcı olmak için artık eğitimlerimizi uzaktan eğitim olarak da sunmaktayız. Bu eğitimlerimizi, gerçek zamanlı eğitmen eşliğinde bulut ortamda eğitim olarak tanımlayabiliriz. Yani eğitimlerimiz eğitim tarihinde uzman eğitmenlerimiz liderliğinde gerçekleştirilmektedir. Böylece ArcGIS ürünleri için en iyi uygulamaları ve önerilen iş akışlarını öğreneceğiniz eğitimlerimizin tüm avantajlarını kendi masaüstünüzden, istediğiniz yerden deneyimleyebileceksiniz.

Düzenli eğitimlerimiz, Esri Türkiye Eğitim web sayfasında ilan edilen tarihlerde Ankara merkez ofisimiz, İstanbul şubemiz ve İzmir Yüksek Teknoloji Enstitüsü Gülbahçe Kampüsü’nde gerçekleştirilmeye devam etmektedir. Sınıf ortamında gerçekleştirilen bu eğitimlerimize ek olarak uzaktan eğitim kategorisi altında ilan edilen tarihlerde en son teknolojiyi kullanan gerçek zamanlı çevrimiçi eğitimlerimiz ile aktif bir öğrenme deneyimi de sunmaya başladık. Böylece sınıf ortamında gerçekleştirdiğimiz bu eğitimlerimizin gerçekleştirildiği kentler dışında da ikamet eden öğrenciler, ekip becerilerini geliştirmek isteyen yöneticiler, ArcGIS yatırımlarından maksimum değer elde etmek isteyen herkes eğitimlere bulundukları konumdan ulaşabilecekler.

Eğitim katılımcılarının, bu uzaktan eğitimlerde ihtiyaç duyacakları dokümanları (eğitime nasıl katılacaklarını ve eğitimi takip edecekleri alıştırma dokümanları gibi) ve derslerdeki uygulamaları gerçekleştirecekleri yazılımları memnuniyetle sağlamaktayız. Bu eğitimlere katılmak için bilmeniz gereken önemli bilgiler şu şekildedir:

  • Eğitim esnasında internet bağlantısına ihtiyacınız olacaktır. Yüksek hızlı internet bağlantısı, eğitimi kesintisiz takip edebilmeniz için önemlidir.
  • Eğitim esnasındaki konforunuzun artması için çift ekran kullanmanızı tavsiye ederiz. Bu şekilde tek ekranda eğitim dokümanını takip ederken diğer ekranda uygulama yapabilirsiniz.
  • Eğitim, etkileşimli olacağından mikrofon ve kulaklık aygıtlarınızı kullanmanız gerekecektir.
  • Eğitim esnasında kullanmanız için ihtiyacınız olacak sizlere özel uzak masaüstü bilgisayarlar ve veriler tarafımızdan sağlanmaktadır.
  • Sadece internet bağlantısı aracılığıyla Uzak Masaüstü Bağlantısı (Remote Desktop Connection) kullanarak eğitim ortamına bağlantı yapmanız gerekmektedir. Bu bağlantıyı gerçekleştirebilmeniz için izlemeniz gereken yönergeler eğitimden önce sizlere iletilmektedir.

Son yıllarda bilgi ve deneyimlerin elde edilen sertifikalar ile desteklenmesinin öneminin ne kadar arttığını ve işe alım uzmanlarının da sertifikasyonun bir kuruluşa getirebileceği değere verdiği önemi biliyoruz. Bu nedenle tıpkı sınıf içi eğitimlerimiz gibi uzaktan eğitimlerimizi de tamamladığınızda edinmiş olduğunuz deneyimlerinizi desteklemek için sizlere sertifika sunmaktayız.

Sınıf içi ve uzaktan eğitimlerimiz hakkında bilgi almak ve eğitim tarihlerimizi öğrenmek için egitim.esriturkey.com.tr sayfasını ziyaret edebilirsiniz.

Esri Türkiye’nin Ücretsiz Konumun Gücü Kursu Başladı!

Esri Türkiye’nin Ücretsiz Konumun Gücü Kursu Başladı!

Esri Türkiye olarak eğitime değer veriyoruz. Hayat boyu öğrenmek için öğrenci olsun olmasın mekânsal düşünme ve işletmede mekansal teknoloji uygulamalarıyla ilgilenen herkese konumun gücünü anlatmak ve konum bilgisi ile neler yapılabileceğini göstermek istiyoruz. İlk ücretsiz kursumuzda konumun gücünden bahsedeceğiz.

Hangi sektörde olursanız olun işinizde konum bilgisi vardır. Bu konum bilgisi göremediğiniz birçok detayı barındırır. Konumun gücü de buradan gelir. Bu verileri iyi analiz etmeniz durumunda işinizde hiç düşünmediğiniz detayları fark edebilirsiniz. Bu nedenle Esri Türkiye olarak konumun gücünü ve iş dünyasında konum analizlerini nasıl kullanabileceğinizi anlatmak istedik.

Bu kurs içeriği video anlatımları, uygulamalı alıştırmalar ve kısa sınavlar gibi bölümlere ayrılmış olup Esri’nin bulut tabanlı ürünleri olan ArcGIS Online ve Business Analyst Online içerisinde bulunan araçları içermektedir.

Kurs sonunda Esri’nin gelişmiş konum analizi yeteneklerini kullanarak daha iyi analizler yapabilmenizi hedefledik. Bu hedef doğrultusunda kurstan edineceğiniz kazanımlar şunlar olacaktır:

  • Konum bilgilerinin, işletmelerin daha bilinçli kararlar vermesi için verileri sorgulamasına, analiz etmesine, yorumlamasına ve görselleştirmesine nasıl yardımcı olabileceğini öğrenmek
  • Mekansal teknolojiyi pazar planlama ve bölge analizi, pazarlama ve tedarik zinciri ve risk yönetimi gibi işletme fonksiyonlarına uygulayabilmek
  • Mekansal analizin kuruluşların maliyetleri düşürme, geliri artırma ve riski azaltmada nasıl yardımcı olduğunu kavrayabilmek.

Dünyanın dört bir yanındaki kuruluşlar, daha iyi kararlar vermek ve rekabet avantajı sağlamak için konum analizini kullanmaktadır. Bu kurs, size konum bilgisi kullanarak işiniz için en uygun yer seçimini, demografik analizleri, tedarik zincirini ve konuma bağlı risk yönetimini nasıl gerçekleştireceğinizi aktarmaktadır. Bu analizlere kendi verilerinizi entegre ederek bir sonraki adımınızı planlayabilirsiniz.

ArcGIS platformundaki hızlı gelişmeleri takip etmeniz için etkili, verimli ve eğlenceli bir yol sunacak olan bu kursta günlük hayattan örnekler bulacaksınız ve bu örnekler için en etkili çözümleri öğreneceksiniz. Kursun tüm bölümlerini tamamladığınızda ise sertifika alacaksınız.

Coğrafi Bilgi Sistemleri konum bilgisi ve mekânsal teknoloji uygulamaları ile ilgilenen herkesi ücretsiz kursumuza bekliyoruz. Kursumuz hakkındaki görüşleriniz bizler için önemlidir. Bu nedenle kursu tamamladığınızda değerlendirmenizi rica ederiz.

Daha fazla bilgi edinmek için sık sorulan soruları inceleyebilirsiniz.

1. Konumun Gücü kursuna nasıl erişebilirim?
Udemy.com üzerinden yayınlanan bu kursumuza https://udemy.com/esri-turkiye-konumun-gucu bağlantısı aracılığıyla erişebilirsiniz. İstediğiniz zaman kursa kayıt yaptırabilirsiniz.

2. Bu kursun konusu hakkında hangi bilgilere sahip olmam beklenmektedir?
Bu kurs herhangi bir ön koşul gerektirmemektedir. Fakat CBS kavramlarına aşina olmanız kurstan elde edeceğiniz deneyimlerinizi arttıracaktır.

3. Bu kursa katılmak için herhangi bir ArcGIS yazılımına sahip olmama gerek var mıdır?
Kursa katılım sağlayan tüm kullanıcılara, kurs alıştırmalarını tamamlamaları için ilgili ArcGIS platformlarına erişimi 60 gün süresince sağlanmaktadır. Bu erişimin nasıl gerçekleştirileceği hakkında detaylı bilgi kursun içerisinde yer almaktadır. ArcGIS yazılımlarına zaten erişiminiz varsa kursu tamamlamak için bu erişimi kullanabilirsiniz.

4. Bu kursa katılabilmem için bilgisayar gereksinimleri nelerdir?
Bu kurs boyunca ArcGIS Online ve Business Analyst Online kullanılmaktadır. Kurstaki alıştırmaları tamamlayabilmek için desteklenen bir web tarayıcı ve internet bağlantısı olması yeterlidir.

5. Bu kursa istediğim zaman katılabilir miyim?
Kurs Udemy platformunda açık olduğu sürece kendi çalışma hızınıza ve saatlerinize göre kursa katılabilirsiniz. İstediğiniz zaman kursa ara verip devam edebilirsiniz.
Zamanınızı planlayabilmeniz için her bölüme 2-3 saat zamanınızı ayırmanızı tavsiye ederiz.

6. Kurs tamamlandığında sertifika alacak mıyım?
Kursun tüm bölümlerini tamamladığınızda, Udemy tarafından kursu tamamladığınızı belirten bir sertifika sağlanacaktır.

Esri Türkiye, 2019