지구과학의 기계 학습에 대한 여름 학교 소개

불과 몇 년 전만 해도 어떤 종류의 인간 상호 작용 없이는 수행할 수 없다고 여겨졌던 수많은 응용 프로그램이 이제 점점 더 강력해지는 기계와 정교한 알고리즘에 의해 자율적으로 실행됩니다. 엄청난 양의 사용 가능한 데이터가 제공되는 머신 러닝 알고리즘은 명시적으로 프로그래밍되지 않은 상태에서 음성, 얼굴, 사물 인식과 같은 복잡한 작업을 해결하거나 고대 바둑 게임에서 최고의 인간 플레이어를 플레이하고 심지어 물리칠 수 있도록 학습할 수 있습니다.

기계 학습은 지구 과학 관련 분야를 포함하여 많은 데이터 집약적 과학 분야에서 필수적인 기술이 되고 있습니다.

Geosciences의 많은 분야에서 데이터 세트는 매우 빠른 속도로 크기와 다양성이 증가하고 있으며, 이러한 데이터 폭발에서 파생된 정보를 활용할 수 있는 새로운 데이터 처리 및 동화 기술의 필요성을 강조하고 있습니다. 기계 학습 기술은 지구과학의 다양한 분야에서 사용되는 최신 데이터 분석 절차를 발전시킬 잠재력이 있습니다. 이러한 맥락에서 우리는 지구 물리학, 지질 학적 및 환경 데이터에 대한 기계 학습 기술의 사용에 중점을 둔 여름 학교를 제안합니다.

학교는 아래 나열된 주제를 다룰 것입니다. 각 주제에는 일반적인 지구 물리학, 지질학 및 환경 문제의 해결에 중점을 둔 특정 실습 세션이 수반됩니다.

겨냥하다

이 여름 학교는 주요 기계 학습 방법에 대한 개요와 지구 물리학, 지질학 및 환경 데이터에 적용하여 보다 실용적인 풍미를 유지하는 것을 목표로 합니다.

과정이 끝나면 학생은 지구과학에 적용되는 기본 기계 학습 기술을 사용할 수 있습니다. 학생은 특정 데이터 세트의 분석에 어떤 ML 방법이 다른 방법보다 더 적합한지 식별하고 사용된 모델의 성능을 평가하는 방법을 배웁니다. 과정이 끝나면 학생은 주요 기계 학습 라이브러리(특히 SciKit-Learn, Tensorflow 및 Keras)에 대한 개요도 갖게 됩니다.

대학원생, 초기 단계 연구원, 전문가.

학교는 아래 나열된 주제를 다룰 것입니다. 각 주제에는 일반적인 지구 물리학 및 지질 학적 문제의 해결에 초점을 맞춘 특정 실습 세션이 수반됩니다.

소개

• 과정 개요와 일반적인 기계 학습 개념.

지도 학습

• 회귀 (선형 및 비선형 회귀 기술);
• 분류(로지스틱 회귀, K-가장 가까운 이웃 및 지원 벡터 머신).

비지도 학습

• 클러스터링 (k- 평균, 계층 적 클러스터링, DB-스캔);
• 데이터 축소 (PCA 및 ICA).

딥 러닝

• 인공 신경망에 대한 기본 사항 (활성화 기능, 역 전파, 훈련 및 최적화);
• 이미지 인식을 위한 컨볼루션 신경망;
• 시계열 분석을 위한 순환 신경망.