Летња школа Увод у машинско учење у геонаукама

Veliki broј aplikatsiјa za koјe se samo nekoliko godina smatralo da јe nemoguћe izvesti bez bilo kakve ljudske interaktsiјe, sada se autonomno izvrshavaјu sve snazhniјim mashinama i sofistitsiraniјim algoritmima. Napaјani ogromnom kolichinom dostupnih podataka, algoritmi mashinskog uchenja mogu da nauche, bez eksplitsitnog programiranja, da reshavaјu slozhene zadatke kao shto su prepoznavanje govora, litsa i obјekata ili da igraјu, pa chak i pobede naјbolje ljudske igrache u drevnoј igri Go.

Mashinsko uchenje postaјe sushtinska veshtina u mnogim nauchnim oblastima sa intenzivnim podatsima, ukljuchuјuћi distsipline povezane sa naukama o Zemlji.

U mnogim oblastima geonauke skupovi podataka rastu po velichini i raznolikosti izuzetno brzom brzinom, naglashavaјuћi potrebu za novim tehnikama obrade i asimilatsiјe podataka koјe su u stanju da iskoriste informatsiјe koјe proizilaze iz ove eksploziјe podataka. Tehnike mashinskog uchenja imaјu potentsiјal da unaprede naјsavremeniјe protsedure analize podataka koјe se koriste u razlichitim oblastima geonauka. U tom kontekstu, predlazhemo letnju shkolu koјa se fokusira na korishћenje tehnika mashinskog uchenja za geofizichke, geoloshke i ekoloshke podatke.

Shkola ћe pokrivati teme navedene u nastavku. Svaka tema ћe biti praћena spetsifichnim praktichnim sesiјama, fokusiranim na reshavanje opshtih geofizichkih, geoloshkih i ekoloshkih problema.

Tsiljaјte

Tsilj ove letnje shkole јe da pruzhi pregled glavnih metoda mashinskog uchenja i njihovu primenu na geofizichke, geoloshke i ekoloshke podatke, zadrzhavaјuћi praktichniјi ukus.

Nakon kursa student ћe moћi da koristi osnovne tehnike mashinskog uchenja primenjene na geonauke. Student ћe nauchiti da identifikuјe koјi ML metod јe pogodniјi od drugih za analizu odreђenih skupova podataka i da protseni performanse korishћenih modela. Nakon kursa, student ћe takoђe imati pregled glavnih biblioteka mashinskog uchenja (posebno StsiKit-Learn, Tensorflov i Keras)

Diplomirani studenti, istraživači rane faze, profesionalci.

Škola će pokriti teme navedene u nastavku. Svaka tema će biti praćena specifičnim praktičnim sesijama, fokusiranim na rešavanje opštih geofizičkih i geoloških problema.

Uvod

• Pregled kursa i opštih koncepata mašinskog učenja.

Nadgledano učenje

• Regresija (linearne i nelinearne tehnike regresije);
• Klasifikacija (Logistička regresija, K-bližekomšije i vektorske mašine za podršku).

Učenje bez nadzora

• Klasteriranje (k-znači, hijerarhijsko klasteriranje, dB-skeniranje);
• Smanjenje podataka (PCA i ICA).

Duboko učenje

• Osnove veštačkih neuronskih mreža (funkcija aktivacije, razmnožavanje unazad, obuka i optimizacija);
• Konvolucione neuronske mreže za prepoznavanje slike;
• Ponavljajuće neuronske mreže za analizu vremenskih serija.