Curso online 🤖 Inteligencia Artificial aplicada a los SIG
Inicio 6 de marzo de 2025
Modalidad ON LINE
Abierto 24/7
APOYO de tu tutor durante el curso
CERTIFICADO
al finalizar
Plazas limitadas a 15 alumnos
En el curso online Inteligencia Artificial aplicada a los SIG el alumno aprenderá a sacarle todo el partido a las herramientas actuales que nos proporciona la Inteligencia Artificial: desde el uso de las herramientas más básicas para crear mapas, el empleo de ChatGPT para ayudarnos con nuestros procesos diarios, hasta la digitalización automática en QGIS y una introducción al machine learning y al deep learning.
El curso online Inteligencia Artificial aplicada a los SIG es un curso muy práctico en el que aprenderás a:
- Crear mapas de forma sencilla con herramientas basadas en IA.
- Usar prompts adecuados en ChatGPT y DeepSeek para ayudarnos en nuestras tareas de SIG habituales.
- Utilizar herramientas y técnicas avanzadas en QGIS para analizar datos geoespaciales.
- Automatizar tareas mediante la utilización de la consola de Python en QGIS.
- Utilizar complementos de QGIS para realizar digitalización automática de elementos a partir de imágenes satélite.
- Introducirse en el aprendizaje automático (machine learning) para la clasificación de imágenes satelitales, mediante el uso de librerías Python como scikit learn.
- Utilizar Google colab, un servicio alojado en la nube de Jupyter Notebook que no requiere configuración para su uso y brinda acceso gratuito a recursos informáticos. Colab es especialmente adecuado para el aprendizaje automático, la ciencia de datos y la educación.
- Introducirse en el aprendizaje profundo (deep learning) en QGIS. Realizar análisis de series temporales y detección de cambios.
- Trabajar con el complemento de QGIS Deepness: que permite realizar fácilmente segmentación, detección y regresión en ortofotos ráster con modelos de red neuronal ONNX (Open Neural Network Exchange) personalizados.
- Segmentación de datos geoespaciales con el modelo Segment Anything (SAM).
Desde el día 6 de marzo hasta el 2 de abril de 2025
Duración:
4 semanas - 60 horas
Precio: 249 €
(229 € para antiguos alumnos)
Hay 15 plazas disponibles
- Tener conocimientos básicos de QGIS o haber realizado alguno de nuestros cursos de QGIS.
- No es necesario tener conocimientos previos de Python, pero si estás familiarizado con algún lenguaje de programación (R, Python, JavaScript, etc) sacarás más provecho del curso.
- Disponer de un cuenta de Google / gmail.
- Sistemas operativos:
- Windows (10 u 11). El curso se ha testado en Windows 10.
- Linux o Mac (macOS 10.13 o superior). Los usuarios de Linux/Mac deben tener conocimientos sólidos de su sistema operativo.
Tutor
Enrique Yunta Cantarero. Graduado en Geografía y Ordenación del territorio con Máster en Tecnologías de Información Geográfica por la Universidad Complutense de Madrid.
Cualquier duda se podrá plantear personalmente mediante correo electrónico o en los foros del curso. El tutor responderá siempre en la mayor brevedad posible.
Formación certificada
Una vez completados satisfactoriamente los ejercicios y el proyecto final, MappingGIS otorgará un Certificado de realización y aprovechamiento. El certificado se enviará en formato digital por correo electrónico y no tiene coste alguno para el alumno.
Temario de la 6ª edición
- Conceptos clave de la inteligencia artificial (IA).
- Machine Learning (aprendizaje automático) y Deep Learning (aprendizaje profundo).
- Redes neuronales.
- LLMs: Modelos de Lenguaje Grande (ChatGPT, DeepSeek, Gemini, Claude, etc).
- Introducción a BetterMaps.ai
- ¿Qué es BetterMaps.ai?
- Beneficios de usar IA en la creación de mapas.
- Pasos a seguir en BetterMaps.
- Introducción a Textomap.
- ¿Qué es Textomap?
- Pasos a seguir en Textomap.
- ¿Qué es Gemini?
- Pasos a seguir en Gemini.
- Introducción a la generación de Información espacial con ChatGPT.
- Formato GeoJSON.
- Formato CSV.
- Descarga mediante código de python.
- ¿Qué es Google Earth Engine?.
- Características principales.
- Registro en Google Earth Engine.
- Elementos Google Earth Engine.
- New Script o nuevo guion.
- Ventana del «Inspector», «Tasks» y «Console».
- Descarga de datos desde Google Earth Engine con la ayuda de ChatGPT.
- Gestión de errores.
- Visualización de datos en QGIS.
- Automatización de procesos en QGIS con ChatGPT.
- Introducción a Python.
- Aplicaciones prácticas en QGIS.
- Herramientas básicas de QGIS.
- Seleccionar y exportar.
- Herramienta Intersección.
- Herramienta unión.
- Gestión de errores.
- DeepSeek AI.
- Introducción y características principales.
- Generación de datos espaciales con DeepSeek.
- ChatGIS.
- ¿Qué es ChatGIS?.
- Creación y complemento de ChatGIS.
- Impacto en el campo de los Sistemas de Información Geográfica.
- Ejercicio práctico.
- Instalación del complemento ChatGIS.
- Posibles errores.
- Exploración de ChatGIS.
- Introducción a Bunting Labs.
- Estudio de Caso: Comparación de la digitalización con un mapa geológico del USGS (agosto de 2024).
- Resultados del estudio.
- Primeros pasos con Bunting Labs: registro e instalación en QGIS.
- Uso y funcionalidades del complemento Bunting Labs en QGIS:
- Digitalización sobre mapa detallado.
- Digitalización sobre imágenes aéreas (ortofotos).
- Introducción a Mapflow.
- ¿Qué es Mapflow?.
- Acceso y registro.
- Instalación del plugin en QGIS.
- Mapeo y análisis de imágenes.
- Mapeo y análisis mediante ortofoto.
- Introducción a Google Colab.
- ¿Por qué usar Google Colab para Machine Learning?
- Cargar archivos a Google Drive.
- Introducción a Google Colab: Primeros Pasos.
- Conociendo la interfaz de Google Colab.
- Breve introducción a Python.
- Ejercicios prácticos en Python.
- Tu primer programa: «Hola, Mundo!».
- Variables.
- Indentación.
- Importar módulos.
- Bucles «for».
- Bucles «while».
- Manejo de archivos con with.
- Script Introductorio.
- Ejercicios prácticos en Python.
- Descripción de los datos.
- Comienzo del script:
- Montar Google Drive.
- Instalación de las librerías NumPy, Rasterio, Scikit-learn y Matplotlib.
- Importación de librerías.
- Lectura de las muestras desde las carpetas de Google Drive.
- División de datos de entrenamiento y prueba y escalado.
- Comienzo del script:
- Clasificación con K-Nearest Neighbors (KNN).
- Clasificación con Random Forest.
- Clasificación con SVM.
- Conclusión.
- Deep Learning con Google Colab: clasificación de imágenes.
- Deepness: el complemento de QGIS para Deep Learning.
- Principales funciones de Deepness.
- Instalación del Plugin Deepness en QGIS.
- Modelos de profundidad ZOO.
- Modelos de segmentación.
- Segmentación de la cobertura terrestre.
- Segmentación de edificios.
- Modelos de reconocimiento.
- Detección de copas de árboles.
- Deep Learning con Google Colab: Clasificación de imágenes.
- Subir datos a Google Drive.
- Comienzo del script.
- Instalar e importar las librerías NumPy, Rasterio, Scikit-learn, Matplotlib y TensorFlow.
- Importar librerías.
- Establecer el directorio a la imagen y muestras en Google Drive.
- Carga y preparación de imágenes para el análisis.
- Preprocesar los Datos: División, Normalización y Codificación.
- Definir y entrenar el modelo Deep Learning.
- Cargar y clasificar la imagen satelital.
- Visualizar la imagen clasificada.
- Conclusión.
Uso de samgeo: paquete de Python para segmentar datos geoespaciales con el modelo Segment Anything (SAM).- Introducción a Samgeo y Segment Anything (SAM).
- Características principales.
- Generación automática de máscaras de objetos con SAM.
- Instalación de dependencias e importación de las librerías segment-geospatial, groundingdino-py y leafmap.
- Definición del área de interés en el mapa.
- Inicialización del modelo SamGeo para segmentación de imágenes.
- Generación de máscaras de segmentación.
- Comparación de la imagen satelital y las máscaras generadas.
- Detección automática de piscinas con SamGeo.
- Importación de las librerías.
- Definición del Área de estudio (Bounding Box).
- Inicialización de LangSAM para Segmentación de Imágenes.
- Definición del texto de entrada para la segmentación.
- Realización de la segmentación con LangSAM.
- Visualización de los resultados de la segmentación.
- Visualización de la segmentación sin cajas.
- Visualización de los resultados en el mapa.
- Visualización final y carga del mapa interactivo.
Metodología
El curso es asíncrono, es decir, no es necesario estar conectado a una hora concreta, ya que no hay actividades en vivo. El material está disponible las 24 horas del día. Para cada unidad se establece un calendario de envío de ejercicios.
Puedes realizar el curso desde cualquier país del mundo, ya que el curso se lleva a cabo en un campus virtual desarrollado en el entorno moodle: una robusta plataforma de aprendizaje de código abierto.
Mediante el campus virtual el alumno/a accede a los contenidos teóricos y prácticos del curso, y envía sus resultados al tutor. El campus también es un apoyo para realizar consultas en los foros del curso o al profesorado directamente.
Inscripción y pago
Los alumnos interesados en realizar el curso deben completar el siguiente formulario de inscripción:
Espera nuestro mensaje de confirmación para recibir actualizaciones sobre el curso.
Puedes realizar el pago mediante:
- Transferencia bancaria.
- Tarjeta de débito o crédito utilizando la pasarela de pago segura. Toda nuestra web está cifrada con protocolo de seguridad SSL de máxima seguridad para que la introducción de sus datos cuando se registra, sea totalmente confidencial y protegida con las máximas garantías.
- Bizum.
Nosotros te matricularemos en el curso.
Opiniones
Alumnos en este curso desde 2014
99%
Alumnos satisfechos
85%
Alumnos que consideran nuestra atención excelente