Escuela de verano Introducción al aprendizaje automático en geociencias

Una gran cantidad de aplicaciones que hace solo unos años se habrían considerado imposibles de realizar sin ningún tipo de interacción humana ahora se ejecutan de forma autónoma mediante máquinas cada vez más potentes y algoritmos sofisticados. Alimentados por una enorme cantidad de datos disponibles, los algoritmos de aprendizaje automático pueden aprender, sin ser programados explícitamente, para resolver tareas complejas como el reconocimiento de voz, rostro y objetos o para jugar e incluso derrotar a los mejores jugadores humanos en el antiguo juego de Go.

El aprendizaje automático se está convirtiendo en una habilidad esencial en muchos campos científicos intensivos en datos, incluidas las disciplinas relacionadas con las Ciencias de la Tierra.

En muchos campos de las geociencias, los conjuntos de datos están creciendo en tamaño y variedad a un ritmo excepcionalmente rápido, lo que destaca la necesidad de nuevas técnicas de procesamiento y asimilación de datos que puedan explotar la información derivada de esta explosión de datos. Las técnicas de aprendizaje automático tienen el potencial de impulsar el estado del arte de los procedimientos de análisis de datos utilizados en diferentes campos de las Geociencias. En este contexto, proponemos una escuela de verano que se enfoca en el uso de técnicas de Machine Learning para datos geofísicos, geológicos y ambientales.

La escuela cubrirá los temas enumerados a continuación. Cada tema irá acompañado de sesiones prácticas específicas, enfocadas a la solución de problemas generales geofísicos, geológicos y ambientales.

Apuntar

Esta escuela de verano tiene como objetivo proporcionar una visión general de los principales métodos de aprendizaje automático y su aplicación a datos geofísicos, geológicos y ambientales, manteniendo un sabor más práctico.

Después del curso, el alumno será capaz de utilizar técnicas básicas de aprendizaje automático aplicadas a las geociencias. El estudiante aprenderá a identificar qué método ML es más adecuado que otros para el análisis de un conjunto de datos en particular y para evaluar el rendimiento de los modelos utilizados. Después del curso, el estudiante también tendrá una visión general de las principales bibliotecas de Machine Learning (en particular, SciKit-Learn, Tensorflow y Keras)

Estudiantes de Posgrado, Investigadores en Etapa Inicial, Profesionales.

La escuela cubrirá los temas enumerados a continuación. Cada tema irá acompañado de sesiones prácticas específicas, enfocadas a la solución de problemas geofísicos y geológicos generales.

Introducción

• Descripción general del curso y conceptos generales de aprendizaje automático.

Aprendizaje supervisado

• Regresión (técnicas de regresión lineal y no lineal);
• Clasificación (Regresión Logística, K-NearestNeighbors y Support Vector Machines).

Aprendizaje sin supervisión

• Agrupación (k-medias, Agrupación jerárquica, DB-Scan);
• Reducción de datos (PCA e ICA).

Aprendizaje profundo

• Fundamentos de Redes Neuronales Artificiales (función de Activación, Retropropagación, Entrenamiento y Optimización);
• Redes Neuronales Convolucionales para reconocimiento de imágenes;
• Redes Neuronales Recurrentes para Análisis de Series Temporales.