Corso "GeoAI: Intelligenza Artificiale Geospaziale con Python"

Machine e Deep Learning per l'Osservazione della Terra: dai dati geospaziali all'analisi predittiva

"GeoAI: Intelligenza Artificiale Geospaziale con Python" di TerreLogiche è un corso di formazione online (live streaming) dedicato all'applicazione di tecniche di Machine Learning e Deep Learning ai dati geospaziali, utilizzando il linguaggio Python e tecnologie completamente Open Source.

Di fronte alla crescita senza precedenti dei Big Data geografici, la GeoAI rappresenta una rivoluzione tecnologica indispensabile per estrarre valore informativo dal territorio in modo rapido ed efficiente. Automatizzando l'analisi e la modellazione predittiva in settori chiave (dall'ambiente all'urbanistica, dalla logistica all'agricoltura), questa disciplina fornisce soluzioni d'avanguardia per l'elaborazione accurata di dati geospaziali e immagini telerilevate.

Il corso nasce con l'obiettivo di colmare il divario tra la gestione classica dei dati spaziali e le tecniche più avanzate di Intelligenza Artificiale applicate al dominio geografico, fornendo le competenze pratiche necessarie per governare le tecnologie del futuro. Il modulo formativo introduce inizialmente i concetti chiave della GeoAI e i fondamenti del Machine Learning con i suoi principali algoritmi. Successivamente, viene dato ampio spazio al Deep Learning per l'analisi di immagini e dati territoriali, approfondendo la struttura delle reti neurali. Particolare attenzione sarà rivolta alle reti convoluzionali (CNN) per il telerilevamento, alle architetture Transformer (ViT) e alla segmentazione semantica a supporto delle decisioni in ambito geospaziale.

Al termine del corso, i partecipanti avranno acquisito una metodologia pratica e rigorosa per impostare un problema di GeoAI: dalla preparazione dei dati all'addestramento e valutazione dei modelli predittivi. Saranno in grado di programmare e personalizzare autonomamente i propri algoritmi in Python, eseguire esperimenti riproducibili in cloud, produrre mappe di risultato e integrare gli output in ambienti GIS come QGIS.

L’approccio metodologico del corso e l’organizzazione dei contenuti sono basati su un flusso di lavoro ben collaudato con la possibilità, per i partecipanti, di ripetere in ogni momento le operazioni eseguite dal docente e svolgere numerose esercitazioni pratiche riguardanti le tecniche illustrate. Le tecnologie utilizzate nella sessione formativa saranno totalmente Open Source, gratuite e liberamente scaricabili.

• Cos'è la GeoAI
• Contenuti e obiettivi del corso
• Ambiente Software
• A chi è rivolto questo corso
• Livello e requisiti di accesso
• Tipologia e modalità del corso
• Personale docente
• Dotazione informatica
• Sedi del corso
• Durata
• Prossime date
• Costi e riduzioni
• Agevolazioni fiscali
• Modalità di iscrizione
• Attestati di partecipazione e profitto
• Vantaggi del corso e materiale fornito
• Programma del corso
• Feedback

Cos'è la GeoAI
Nel panorama tecnologico odierno, la disponibilità di dati geospaziali raster e vettoriali sta crescendo a ritmi senza precedenti, rendendo indispensabile l'estrazione di valore informativo in modo tempestivo ed efficiente. In questo contesto si inserisce la GeoAI (Geospatial Artificial Intelligence), un dominio interdisciplinare emergente che rivoluziona la gestione del territorio, integrando la data science e i modelli predittivi avanzati direttamente con la dimensione geografica del dato.
La GeoAI automatizza le attività di analisi e modellazione predittiva su grandi moli di dati geospaziali, consentendo di interpretare il territorio e di prendere decisioni strategiche in modo rapido ed efficace.
Trova applicazione in svariati ambiti di utilizzo quali, ad esempio: monitoraggio ambientale, pianificazione territoriale e urbanistica, zonizzazione dei rischi, monitoraggio delle infrastrutture, logistica, trasporti e mobilità, protezione civile, agricoltura di precisione, geomarketing, assicurazioni e real estate.
La GeoAI è una competenza strategica per automatizzare processi e generare previsioni accurate nel dominio geografico. Per aziende e professionisti si traduce in nuove opportunità di business, servizi ad alto valore aggiunto e maggiore competitività sul mercato. In ambito scientifico, offre ai ricercatori strumenti avanzati per estrarre pattern significativi da Big Data geografici, elevando la qualità metodologica e l'attrattività nei bandi di finanziamento.

Contenuti e obiettivi del corso
Il modulo formativo consentirà ai partecipanti di:

• Impostare un ambiente di lavoro in Google Colab per effettuare analisi geospaziali e implementare modelli GeoAI
• Comprendere i principi del Machine Learning in un contesto geospaziale
• Lavorare in modo efficiente con dati raster e vettoriali in Python
• Costruire modelli predittivi per applicazioni territoriali
• Applicare CNN (Convolutional Neural Networks) e ViT (Vision Transformers) alle immagini telerilevate
• Implementare la segmentazione semantica per il land cover e il monitoraggio ambientale
• Valutare in modo critico prestazioni, limiti, incertezza e trasferibilità dei modelli.

Il corso è articolato in moduli progressivi che accompagnano i partecipanti dai fondamenti della GeoAI fino all’applicazione di modelli avanzati di Machine Learning e Deep Learning su dati geospaziali:

• Modulo 1: Introduzione alla GeoAI e gestione di dati raster e vettoriali in Python.
• Modulo 2: Algoritmi di Machine Learning per classificazione, regressione e produzione di mappe predittive.
• Modulo 3: Fondamenti di reti neurali e utilizzo di PyTorch in ambiente cloud.
• Modulo 4: Reti neurali convoluzionali (CNN) per il telerilevamento, con focus su segmentazione semantica, object detection ed esportazione risultati in ambiente GIS.

Ogni modulo integra sinergicamente teoria, metodo ed esercitazioni pratiche in Google Colab, l'ambiente cloud basato su Jupyter Notebook che permette di scrivere ed eseguire codice Python su GPU remote senza alcuna installazione locale. Il percorso è orientato alla costruzione di workflow riproducibili e applicabili a casi reali di analisi territoriale.
Attraverso l'uso di dataset reali, le attività pratiche si focalizzeranno sulla gestione dei runtime, sull'installazione di librerie specializzate e sulla riproducibilità degli esperimenti. Infine, per garantire la massima operatività, gli output generati in Python saranno esportati e visualizzati all'interno di QGIS, integrando così i modelli di GeoAI con i flussi di lavoro GIS tradizionali.

Ambiente software
Google Colab: è un servizio cloud offerto da Google (gratuito nel piano base) che permette di scrivere ed eseguire codice, principalmente in Python, direttamente dal browser web. Non richiede alcuna configurazione sul PC ed è diventato uno degli strumenti standard più utilizzati (per prototipazione di framework ed esperimenti lightweight) da ricercatori, professionisti e studenti di Data Science, Machine Learning e Deep Learning.

QGIS: è un software GIS Open Source completamente gratuito e disponibile in lingua italiana che può essere installato su piattaforme Microsoft Windows, Linux, Mac OS senza limitazioni di licenza. Possiede un'interfaccia utente intuitiva e gestisce numerosi formati di dati sia raster che vettoriali.

A chi è rivolto questo corso
Il corso è rivolto a professionisti, ricercatori, tecnici di Pubbliche Amministrazioni, studenti universitari, insegnanti e in genere a tutti coloro che intendono introdurre strumenti di Machine Learning e Deep Learning nell’elaborazione e nell’analisi di dati geospaziali.

Livello e requisiti di accesso
Per la partecipazione al corso sono richieste le seguenti competenze:

• Conoscenza base del linguaggio Python;
• Familiarità con i fondamenti della statistica;
• Buona conoscenza dei GIS e della gestione di dati raster e vettoriali;
• Buona conoscenza nella gestione di immagini telerilevate.

Non è richiesta alcuna precedente esperienza negli ambiti del Machine e Deep Learning

Tipologia e modalità del corso
Corso interattivo con lezione frontale in aula o online in live streaming.
Al momento questo corso viene erogato esclusivamente in modalità online (live streaming). Ricreiamo nelle aule virtuali l'esperienza formativa proposta nei corsi in presenza quindi approccio pratico alle tematiche affrontate, esercitazioni e laboratorio assistito con una forte interazione tra docente e discente e ampio spazio ai quesiti dei partecipanti.

Personale docente
Il corso è tenuto da docente con consolidata esperienza nella GeoAI e nello sviluppo di modelli di Machine Learning e Deep Learning per l'analisi di dati geospaziali, sia in ambito accademico che professionale.

Dotazione informatica
È necessario l'utilizzo di notebook personale e di connessione internet stabile e di adeguata velocità.
Non sono richiesti particolari requisiti hardware (RAM: minimo 8-12 GB).

Sedi del corso
Questo corso è attualmente erogato in modalità online (live streaming). Consulta il calendario delle prossime date.

Durata
5 giorni (20 ore)
Orario:

Prossime date
Calendario

Costi e riduzioni
Consulta il calendario dei corsi con i relativi costi. Tutti coloro che si iscriveranno al corso con almeno 30 giorni di anticipo rispetto alla data della sessione formativa avranno diritto ad uno sconto del 15% sul prezzo di listino. È inoltre previsto uno sconto del 10% sul prezzo di listino per gli iscritti a Ordini ed Associazioni professionali (Legge 4 del 14 gennaio 2013), Categorie Educational e dipendenti di Pubbliche Amministrazioni. Gli sconti non sono cumulabili se non diversamente concordato. Consultare i dettagli nella sezione Agevolazioni.

Agevolazioni fiscali
I costi della formazione sono interamente deducibili (100%) per aziende e professionisti (art. 54 c. 5 TUIR DPR 917/1986). Solamente per questi ultimi è fissato un tetto annuo di euro 10.000 (comprensivo di spese di soggiorno e trasferta), per le aziende non esistono limiti annui. L’IVA è 100% detraibile. Inoltre, le Pubbliche Amministrazioni hanno diritto all'esenzione IVA riferita ad attività formative (DPR 633/72).

Modalità di iscrizione
La procedura di iscrizione è molto semplice. Le istruzioni sono indicate nella pagina Come Iscriversi nella sezione Formazione.

Attestati di partecipazione e profitto
Al termine della sessione formativa verrà rilasciato a tutti i partecipanti che hanno frequentato almeno il 70% del monte ore totale un attestato di partecipazione numerato e personale con specificate il numero di ore del corso e le principali tematiche affrontate.

È inoltre previsto lo svolgimento (opzionale) di un test finale di valutazione dell’apprendimento con domande a risposta multipla, che si intende superato fornendo almeno l'80% delle risposte corrette. Il superamento del test sarà certificato su un attestato di partecipazione e profitto, documento utile per arricchire il proprio curriculum in quanto documenta che sono state acquisite le competenze e le conoscenze previste dal corso frequentato.

Il test finale di valutazione non è obbligatorio e non comporta un aumento del costo di iscrizione.

Vantaggi del corso e materiale fornito

• Formazione erogata secondo gli standard di qualità ISO 9001:2015;
• Aule con numero limitato di posti per una migliore efficacia didattica;
• Ampio materiale didattico in formato digitale scaricabile dal cloud TerreLogiche (slides, dataset, documentazione e manualistica riguardante i software e le tematiche affrontate);
• Attestato di partecipazione numerato e personale con specificate il numero di ore del corso e le principali competenze acquisite, rilasciato ai partecipanti che hanno frequentato almeno il 70% del monte ore totale. Attestato di partecipazione e profitto, rilasciato a seguito del superamento del test finale di valutazione dell’apprendimento. Su richiesta l'attestato viene erogato anche in lingua inglese;
• Supporto tecnico per eventuali problematiche di installazione e configurazione dei software utilizzati;
• Buoni sconto di TerreLogiche.

Programma del corso

Modulo 1 – Introduzione alla GeoAI e gestione dei dati geospaziali

Fondamenti di GeoAI

• Che cos’è la GeoAI?
• Autocorrelazione spaziale e data leakage
• Differenze tra Machine Learning tabellare e spaziale
• Casi di studio ambientali

Ecosistema geospaziale Python

• Dati raster vs vettoriali
• Gestione dei CRS e riproiezione
• Raster stacking ed estrazione di feature
• Cosa sono i tensori e come manipolarli
• Generazione di patch per il Deep Learning

Esercitazione pratica

• Esempio guidato di apertura e preparazione di dati raster e vettoriali
• Calcolo di indici, variabili derivate o feature descrittive
• Preparazione di un dataset per la modellazione
• Esportazione di risultati e visualizzazione in QGIS

Modulo 2 – Machine Learning per dati geospaziali

Concetti di base

• Apprendimento supervisionato
• Regressione e classificazione
• Strategie di cross-validation spaziale
• Metriche di valutazione per dataset sbilanciati

Algoritmi

• Random Forest
• Gradient Boosting (XGBoost / LightGBM / CatBoost)
• Ottimizzazione degli iperparametri
• Importanza delle feature

Esercitazione pratica

• Addestramento di un modello di Machine Learning su un caso reale
• Generazione di una mappa di previsione
• Visualizzazione e discussione dei risultati

Modulo 3 – Fondamenti di reti neurali e PyTorch

Basi teoriche delle reti neurali

• Fondamentali di Deep Learning
• Metodologie di Training
• Addestramento su GPU in Colab

Esercitazione pratica

• Addestramento di una rete neurale su dati geospaziali
• Confronto indicativo con un modello di Machine Learning classico
• Discussione delle differenze operative tra workflow ML e DL

Modulo 4 – Reti Neurali Convoluzionali per il telerilevamento

Teoria delle CNN (Convolutional Neural Networks)

• Layer convoluzionali
• Immagini satellitari multibanda
• Strategie di transfer learning

Segmentazione semantica

• Architettura U-Net
• Classificazione/regressione pixel-based
• Funzioni di loss per la segmentazione

Object Detection

• Principi base delle task di Object Detection
• Reti Yolo

Esercitazione pratica

• Preparazione di patch, maschere o campioni geospaziali per un esercizio di Deep Learning
• Applicazione del modello ad un’area di test e visualizzazione degli output
• Esportazione dei risultati e controllo finale in QGIS

Feedback
La soddisfazione dei partecipanti ai corsi è un elemento fondamentale per le nostre attività aziendali. Per raggiungerla, operiamo su due fronti: da un lato, poniamo particolare attenzione alle esigenze del cliente proponendoci come consulenti e non solo come fornitori, analizzandone obiettivi e fabbisogni formativi per suggerire il percorso didattico ottimale da intraprendere; dall'altro, monitoriamo costantemente la soddisfazione dei partecipanti con appositi sondaggi al termine di ogni sessione formativa. In funzione dei risultati ottenuti, miglioriamo, aggiorniamo e rinnoviamo i nostri servizi formativi. I sondaggi condotti al termine dei corsi e, a campione, a distanza di alcuni mesi hanno confermato un'elevata percentuale di gradimento e soddisfazione e i feedback sui corsi di TerreLogiche sono al 99,8% positivi dal 2014. I corsi sono inoltre da molti considerati tra i migliori in Italia per qualità erogata, costi accessibili e per il loro approccio metodologico applicativo altamente adeguato alla realtà del mondo del lavoro.