{"id":26325184,"url":"https://github.com/kadyb/geoinf2022","last_synced_at":"2025-03-15T18:32:10.399Z","repository":{"id":62957893,"uuid":"558576014","full_name":"kadyb/GEOINF2022","owner":"kadyb","description":"Konferencja Geoinformacja 2022 Warsztaty: \"Dane przestrzenne w uczeniu maszynowym - środowisko R\"","archived":false,"fork":false,"pushed_at":"2022-11-09T20:47:22.000Z","size":9440,"stargazers_count":4,"open_issues_count":0,"forks_count":0,"subscribers_count":4,"default_branch":"main","last_synced_at":"2024-06-11T16:07:05.348Z","etag":null,"topics":["data-science","geospatial","gis","machine-learning","r"],"latest_commit_sha":null,"homepage":"https://kadyb.github.io/GEOINF2022/","language":"HTML","has_issues":true,"has_wiki":null,"has_pages":null,"mirror_url":null,"source_name":null,"license":null,"status":null,"scm":"git","pull_requests_enabled":true,"icon_url":"https://github.com/kadyb.png","metadata":{"files":{"readme":"README.md","changelog":null,"contributing":null,"funding":null,"license":null,"code_of_conduct":null,"threat_model":null,"audit":null,"citation":null,"codeowners":null,"security":null,"support":null}},"created_at":"2022-10-27T20:42:43.000Z","updated_at":"2023-08-16T19:52:57.000Z","dependencies_parsed_at":"2022-11-09T21:45:52.818Z","dependency_job_id":null,"html_url":"https://github.com/kadyb/GEOINF2022","commit_stats":null,"previous_names":[],"tags_count":0,"template":false,"template_full_name":null,"repository_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/kadyb%2FGEOINF2022","tags_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/kadyb%2FGEOINF2022/tags","releases_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/kadyb%2FGEOINF2022/releases","manifests_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories/kadyb%2FGEOINF2022/manifests","owner_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners/kadyb","download_url":"https://codeload.github.com/kadyb/GEOINF2022/tar.gz/refs/heads/main","host":{"name":"GitHub","url":"https://github.com","kind":"github","repositories_count":243775121,"owners_count":20346139,"icon_url":"https://github.com/github.png","version":null,"created_at":"2022-05-30T11:31:42.601Z","updated_at":"2022-07-04T15:15:14.044Z","host_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub","repositories_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repositories","repository_names_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/repository_names","owners_url":"https://repos.ecosyste.ms/api/v1/hosts/GitHub/owners"}},"keywords":["data-science","geospatial","gis","machine-learning","r"],"created_at":"2025-03-15T18:32:09.644Z","updated_at":"2025-03-15T18:32:10.353Z","avatar_url":"https://github.com/kadyb.png","language":"HTML","funding_links":[],"categories":[],"sub_categories":[],"readme":"# Dane przestrzenne w uczeniu maszynowym\n\nTo repozytorium zawiera materiały do warsztatu \"**Dane przestrzenne w uczeniu maszynowym - środowisko R**\" przeprowadzonego podczas konferencji [Geoinformacja: Nauka – Praktyka – Edukacja](https://geoinformacja20uam.pl/) (02.12.2022 r.).\n\n**R** jest jednym z najbardziej popularnych języków programowania używanych do analizy danych.\n**R** znalazł szczególne zastosowanie w takich dziedzinach jak ekologia, leśnictwo, hydrologia czy teledetekcja dzięki swojej prostocie, możliwości automatyzacji powtarzalnych zadań oraz ogromnemu wsparciu przez jego społeczność.\n**R** stanowi świetną alternatywę dla standardowych aplikacji GIS znacząco rozszerzając ich możliwość w kontekście statystycznej analizy danych i uczenia maszynowego.\n\n## Wymagania\n\nWarsztat skierowany jest do osób, które posiadają podstawową wiedzę i doświadczenie w środowisku **R**.\nWymagana jest również podstawowa wiedza z zakresu GIS oraz teledetekcji satelitarnej.\n\nJeśli jesteś osobą początkującą i chcesz rozszerzyć (lub odnowić) swoją wiedzę odnośnie środowiska **R**, to polecam bezpłatny kurs online \"[Pogromcy Danych](http://pogromcydanych.icm.edu.pl/)\" przygotowany przez Uniwersytet Warszawski.\nDostępny jest również podręcznik w języku polskim: \"[Elementarz programisty: Wstęp do programowania używając R](https://jakubnowosad.com/elp/)\".\n\nKolejne podręczniki (w języku angielskim) dotyczące przestrzennej analizy danych to:\n\n- [**Spatial Data Science with R and “terra”**](https://rspatial.org/terra/)\n- [Geocomputation with R](https://geocompr.robinlovelace.net/)\n- [Spatial Data Science, with applications in R](https://r-spatial.org/book/)\n\n## Wstęp\n\n**1. Instalacja R**\n\n**R** jest językiem programowania.\nMożna go pobrać dla [Windows](https://cloud.r-project.org/bin/windows/base/R-4.2.2-win.exe), [MacOS](https://cloud.r-project.org/bin/macosx/) oraz [Linux](https://cloud.r-project.org/bin/linux/).\n\n**2. Instalacja RStudio**\n\n**RStudio** natomiast jest zintegrowanym środowiskiem programistycznym z edytorem kodu.\nAplikacja dostępna jest również na różnych platformach do pobrania w [tym miejscu](https://posit.co/download/rstudio-desktop/).\n\n**3. Instalacja pakietów**\n\nJednym z najpopularniejszych pakietów do analizy przestrzennej w R jest pakiet [**terra**](https://github.com/rspatial/terra).\nUmożliwia on analizę zarówno danych rastrowych i wektorowych.\nMożna go zainstalować w następujący sposób:\n\n```r\ninstall.packages(\"terra\")\n```\n\nNastępnie można go załadować używając funkcji `library()`.\n\n```r\nlibrary(\"terra\")\n```\n\nDokumentację do tego pakietu znajdziesz tutaj: \u003chttps://rspatial.github.io/terra/reference/terra-package.html\u003e\n\n## Materiały \u0026#128681;\n\nNiezbędne dane rastrowe (scena Landsat 8, klasyfikacja pokrycia terenu) oraz wektorowe znajdziesz na [Dysku Google](https://drive.google.com/file/d/1WfAYCd42nLoEhpyICJxoVOaGR-t1Jcdj/view) oraz [Zenodo](https://zenodo.org/record/7299645).\nPo pobraniu dane należy rozpakować.\n\nInteraktywne zeszyty (*.Rmd*) oraz statyczne dokumenty (*.html*) możesz pobrać z repozytorium [https://github.com/kadyb/GEOINF2022](https://github.com/kadyb/GEOINF2022):\n\n1. [Klasyfikacja nienadzorowana](https://kadyb.github.io/GEOINF2022/Grupowanie.html)\n2. [Klasyfikacja nadzorowana](https://kadyb.github.io/GEOINF2022/Klasyfikacja.html)\n3. [Zadanie](https://kadyb.github.io/GEOINF2022/Zadanie.html)\n\nOpis kanałów spektralnych znajdziesz [tutaj](https://landsat.gsfc.nasa.gov/satellites/landsat-8/landsat-8-bands/).\nInformacje o klasach pokrycia terenu Sentinel-2 Global Land Cover (S2GLC) znajdziesz [tutaj](https://s2glc.cbk.waw.pl/extension).\n\n## Kontakt\n\nJeśli masz jakieś pytania albo potrzebujesz pomocy, napisz do mnie pod adres krzysztof.dyba@amu.edu.pl.\n","project_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fkadyb%2Fgeoinf2022","html_url":"https://awesome.ecosyste.ms/projects/github.com%2Fkadyb%2Fgeoinf2022","lists_url":"https://awesome.ecosyste.ms/api/v1/projects/github.com%2Fkadyb%2Fgeoinf2022/lists"}