مدرسه تابستانی مقدمه ای بر یادگیری ماشین در علوم زمین

تعداد زیادی از برنامه‌هایی که تنها چند سال پیش انجام آن‌ها بدون هیچ گونه تعامل انسانی غیرممکن تلقی می‌شد، اکنون به‌طور مستقل توسط ماشین‌های قدرتمندتر و الگوریتم‌های پیچیده‌تر اجرا می‌شوند. الگوریتم‌های یادگیری ماشینی که با حجم عظیمی از داده‌های موجود تغذیه می‌شوند، می‌توانند بدون برنامه‌ریزی صریح، کارهای پیچیده‌ای مانند تشخیص گفتار، چهره و اشیاء یا بازی کردن و حتی شکست دادن بهترین بازیکنان انسانی در بازی باستانی Go را بیاموزند.

یادگیری ماشینی در حال تبدیل شدن به یک مهارت ضروری در بسیاری از زمینه های علمی با داده فشرده، از جمله رشته های مرتبط با علوم زمین است.

در بسیاری از زمینه‌های علوم زمین مجموعه داده‌ها از نظر اندازه و تنوع با سرعت فوق‌العاده سریعی در حال رشد هستند، که نیاز به پردازش داده‌های جدید و تکنیک‌های شبیه‌سازی را برجسته می‌کند که قادر به بهره‌برداری از اطلاعات حاصل از این انفجار داده‌ها هستند. تکنیک‌های یادگیری ماشینی این پتانسیل را دارند که پیشرفته‌ترین روش‌های تجزیه و تحلیل داده‌ها را که در زمینه‌های مختلف علوم زمین مورد استفاده قرار می‌گیرند، پیش ببرند. در این زمینه، ما یک مدرسه تابستانی را پیشنهاد می‌کنیم که بر استفاده از تکنیک‌های یادگیری ماشین برای داده‌های ژئوفیزیکی، زمین‌شناسی و محیطی تمرکز دارد.

مدرسه موضوعات ذکر شده در زیر را پوشش خواهد داد. هر موضوع با جلسات عملی خاصی همراه خواهد بود که بر حل مشکلات کلی ژئوفیزیک، زمین شناسی و زیست محیطی متمرکز است.

هدف

هدف این مدرسه تابستانی ارائه مروری بر روش‌های اصلی یادگیری ماشین و کاربرد آن‌ها در داده‌های ژئوفیزیکی، زمین‌شناسی و محیطی است و طعمی کاربردی‌تر را حفظ می‌کند.

پس از پایان دوره، دانش‌آموز می‌تواند از تکنیک‌های اولیه یادگیری ماشینی که در علوم زمین استفاده می‌شود، استفاده کند. دانش آموز یاد خواهد گرفت که تشخیص دهد کدام روش ML برای تجزیه و تحلیل مجموعه داده های خاص مناسب تر از روش های دیگر است و عملکرد مدل های مورد استفاده را ارزیابی می کند. پس از دوره، دانش آموز همچنین مروری بر کتابخانه های اصلی یادگیری ماشین (به ویژه SciKit-Learn، Tensorflow و Keras) خواهد داشت.

دانشجویان تحصیلات تکمیلی، پژوهشگران مراحل اولیه، متخصصان.

مدرسه موضوعات ذکر شده در زیر را پوشش خواهد داد. هر موضوع با جلسات عملی خاصی همراه خواهد بود که بر حل مشکلات کلی ژئوفیزیک و زمین شناسی متمرکز است.

معرفی

• مروری بر دوره آموزشی و مفاهیم کلی یادگیری ماشین.

یادگیری تحت نظارت

• رگرسیون (تکنیک های رگرسیون خطی و غیرخطی)؛
• طبقه بندی (رگرسیون لجستیک، K-نزدیکترین همسایگان و ماشین های بردار پشتیبان).

یادگیری بدون نظارت

• خوشه بندی (k-means، خوشه بندی سلسله مراتبی، DB-Scan)؛
• کاهش داده ها (PCA و ICA).

یادگیری عمیق

• مبانی شبکه های عصبی مصنوعی (عملکرد فعال سازی، انتشار برگشتی، آموزش و بهینه سازی).
• شبکه های عصبی کانولوشن برای تشخیص تصویر؛
• شبکه های عصبی مکرر برای تجزیه و تحلیل سری های زمانی.