Τεχνολογία ακριβείας και Μέγα-δεδομένα

Course Description

Στόχος της παρούσας ΔΕ είναι να διερευνήσει τις βέλτιστες πρακτικές για τη χρήση των τεχνολογιών ακριβείας και των μέγα δεδομένων στη γεωργία. Η ενότητα αυτή ξεκινά με τις βασικές αρχές που απαιτούνται για την επιστήμη των δεδομένων, όπως η εξαγωγή, η εναρμόνιση και η αποθήκευση δεδομένων. Σε ένα πιο προχωρημένο στάδιο, θα διερευνηθεί η εφαρμογή της τεχνητής νοημοσύνης για διάφορους σκοπούς, όπως η τηλεπισκόπηση και οι προβλέψεις (εύρεση ασθενειών, προβλέψεις συγκομιδής, βελτιστοποίηση της χρήσης των πόρων κ.λπ.)

Learning outcomes

Γνώσεις

Μετά την ολοκλήρωση αυτής της ΔΕ, ο μαθητής θα:

• Κατανοήσει θέματα όπως η βάση δεδομένων και η αποθήκευση δεδομένων, μεταξύ άλλων απαραίτητων εννοιών για τη δημιουργία ενός αγωγού δεδομένων.
• Κατανοήσει την έννοια της τηλεπισκόπησης και την τεχνολογία που απαιτείται για την επεξεργασία εικόνων.
• Κατανοήσει τον τρόπο εγκατάστασης και σύνδεσης συσκευών IoT (Διαδίκτυο των Πραγμάτων)  για την εξαγωγή δεδομένων από το πεδίο.
• Κατανοήσει πώς να εγκαταστήσει και να χρησιμοποιήσει ένα σύστημα βασισμένο σε υπολογιστική όραση για τη συλλογή εικόνων εντός του πεδίου και να επεξεργάζεται τις εικόνες αυτές για την εξαγωγή γνώσης.
• Κατανοήσει πώς να χρησιμοποιήσει ιστορικά δεδομένα για τη δημιουργία μοντέλων πρόβλεψης  (π.χ. μοντέλα παλινδρόμησης).

Δεξιότητες

Μετά την ολοκλήρωση αυτής της ΔΕ, ο εκπαιδευόμενος θα είναι σε θέση να:

• Δημιουργεί, να αναπτύσσει έναν αγωγό δεδομένων, από την εγκατάσταση αισθητήρων, την εξαγωγή και εναρμόνιση δεδομένων και την αποθήκευση.
• Αναπτύξει νευρωτικά δίκτυα τροφοδοσίας CNNs (Convolutional Neural Networks) για την επεξεργασία εικόνας που εφαρμόζονται για τηλεπισκόπηση και συστήματα που βασίζονται στην επιτόπια υπολογιστική όραση.
• Αναπτύξει μοντέλα παλινδρόμησης τεχνητής νοημοσύνης (Linear Regression, Polynomial Regression, Support Vector Machine, Gradient Boosting, κ.λπ.) για τον εντοπισμό τάσεων και μελλοντικών συμβάντων εντός της παραγωγής, όπως:

1. Πρόβλεψη συγκομιδών λαμβάνοντας υπόψη τις δραστηριότητες που πραγματοποιούνται και τις συνθήκες υπό τις οποίες πραγματοποιείται η παραγωγή.
2. Πρόβλεψη της εμφάνισης ασθενειών λαμβάνοντας υπόψη τα δεδομένα που εξάγονται από την παραγωγή και τις ατμοσφαιρικές συνθήκες.
3. Πρόβλεψη συγκομιδών, λαμβάνοντας υπόψη την τρέχουσα κατάσταση της παραγωγής και τις αναμενόμενες συνθήκες μέχρι τη συγκομιδή.
4. Πρόβλεψη της βέλτιστης χρήσης των πόρων (χημικές ουσίες, λιπάσματα, νερό κ.λπ.) για την αποφυγή της υπερβολικής χρήσης

Ικανότητες

Μετά την ολοκλήρωση αυτής της ΔΕ, ο εκπαιδευόμενος θα είναι ικανός να:

• Να αναπτύσσει την ικανότητα σύνθεσης και κριτικής ανάλυσης αυτού του τύπου συστημάτων.
• Να εργάζεται ως ομάδα και να αυξάνει τη γραπτή και προφορική επικοινωνία, απαραίτητη για την εφαρμογή πολύπλοκων συστημάτων όπως η γεωργία ακριβείας.
• Ικανότητα διαχείρισης του χρόνου και τήρησης των προθεσμιών.