Θερινό Σχολείο Εισαγωγή στη Μηχανική Μάθηση στις Γεωεπιστήμες

Ένας μεγάλος αριθμός εφαρμογών που μόλις πριν από λίγα χρόνια θα θεωρούνταν αδύνατο να εκτελεστούν χωρίς οποιοδήποτε είδος ανθρώπινης αλληλεπίδρασης εκτελούνται τώρα αυτόνομα από ολοένα και πιο ισχυρά μηχανήματα και εξελιγμένους αλγόριθμους. Τροφοδοτημένοι από μια τεράστια ποσότητα διαθέσιμων δεδομένων, οι αλγόριθμοι μηχανικής μάθησης μπορούν να μάθουν, χωρίς να προγραμματίζονται ρητά, να επιλύουν σύνθετες εργασίες όπως αναγνώριση ομιλίας, προσώπου και αντικειμένων ή να παίζουν και ακόμη και να νικούν τους καλύτερους ανθρώπινους παίκτες στο αρχαίο παιχνίδι Go.

Η μηχανική μάθηση γίνεται μια βασική δεξιότητα σε πολλά επιστημονικά πεδία με ένταση δεδομένων, συμπεριλαμβανομένων των κλάδων που σχετίζονται με τις Επιστήμες της Γης.

Σε πολλά πεδία των Γεωεπιστημών, τα σύνολα δεδομένων αυξάνονται σε μέγεθος και ποικιλία με εξαιρετικά γρήγορο ρυθμό, υπογραμμίζοντας την ανάγκη για νέες τεχνικές επεξεργασίας και αφομοίωσης δεδομένων που είναι σε θέση να εκμεταλλευτούν τις πληροφορίες που προέρχονται από αυτήν την έκρηξη δεδομένων. Οι τεχνικές μηχανικής μάθησης έχουν τη δυνατότητα να προωθήσουν τις πιο σύγχρονες διαδικασίες ανάλυσης δεδομένων που χρησιμοποιούνται σε διαφορετικούς τομείς των Γεωεπιστημών. Σε αυτό το πλαίσιο, προτείνουμε ένα θερινό σχολείο που εστιάζει στη χρήση τεχνικών Μηχανικής Μάθησης σε γεωφυσικά, γεωλογικά και περιβαλλοντικά δεδομένα.

Το σχολείο θα καλύπτει θέματα που αναφέρονται παρακάτω. Κάθε θέμα θα συνοδεύεται από συγκεκριμένες πρακτικές συνεδρίες, εστιασμένες στην επίλυση γενικών γεωφυσικών, γεωλογικών και περιβαλλοντικών προβλημάτων.

Σκοπός

Αυτό το θερινό σχολείο έχει στόχο να παρέχει μια επισκόπηση των κύριων μεθόδων μηχανικής μάθησης και την εφαρμογή τους σε γεωφυσικά, γεωλογικά και περιβαλλοντικά δεδομένα, διατηρώντας μια πιο πρακτική γεύση.

Μετά το μάθημα ο φοιτητής θα μπορεί να χρησιμοποιεί βασικές τεχνικές μηχανικής μάθησης που εφαρμόζονται στις γεωεπιστήμες. Ο μαθητής θα μάθει να προσδιορίζει ποια μέθοδος ML είναι καταλληλότερη από άλλες για την ανάλυση συγκεκριμένων συνόλων δεδομένων και να αξιολογεί την απόδοση των χρησιμοποιούμενων μοντέλων. Μετά το μάθημα ο φοιτητής θα έχει επίσης μια επισκόπηση των κύριων βιβλιοθηκών Machine Learning (ιδίως SciKit-Learn, Tensorflow και Keras)

Μεταπτυχιακοί Φοιτητές, Ερευνητές Πρώιμου Σταδίου, Επαγγελματίες.

Το σχολείο θα καλύψει τα θέματα που αναφέρονται παρακάτω. Κάθε θέμα θα συνοδεύεται από συγκεκριμένες πρακτικές συνεδρίες, εστιασμένες στην επίλυση γενικών γεωφυσικών και γεωλογικών προβλημάτων.

Εισαγωγή

• Επισκόπηση του μαθήματος και γενικές έννοιες μηχανικής μάθησης.

Εποπτευόμενη μάθηση

• Παλινδρόμηση (Τεχνικές Γραμμικής και Μη γραμμικής παλινδρόμησης).
• Ταξινόμηση (Logistic Regression, K-Nearest Neighbors and Support Vector Machines).

Εκμάθηση χωρίς επίβλεψη

• Ομαδοποίηση (k-means, Ιεραρχική ομαδοποίηση, DB-Scan);
• Μείωση Δεδομένων (PCA και ICA).

Βαθιά Μάθηση

• Βασικά στοιχεία για τα τεχνητά νευρωνικά δίκτυα (συνάρτηση ενεργοποίησης, αντίστροφη διάδοση, εκπαίδευση και βελτιστοποίηση).
• Συνελικτικά νευρωνικά δίκτυα για αναγνώριση εικόνας.
• Επαναλαμβανόμενα νευρωνικά δίκτυα για ανάλυση χρονοσειρών.