Summer School Introdução ao Aprendizado de Máquina em Geociências

Um grande número de aplicações que apenas alguns anos atrás seriam consideradas impossíveis de serem executadas sem qualquer tipo de interação humana agora são executadas de forma autônoma por máquinas cada vez mais poderosas e algoritmos sofisticados. Alimentados por uma enorme quantidade de dados disponíveis, os algoritmos de aprendizado de máquina podem aprender, sem serem explicitamente programados, a resolver tarefas complexas como reconhecimento de fala, rosto e objetos ou a jogar e até derrotar os melhores jogadores humanos no antigo jogo de Go.

O aprendizado de máquina está se tornando uma habilidade essencial em muitos campos científicos com uso intensivo de dados, incluindo disciplinas relacionadas às Ciências da Terra.

Em muitos campos das Geociências, os conjuntos de dados estão crescendo em tamanho e variedade em um ritmo excepcionalmente rápido, destacando a necessidade de novas técnicas de processamento e assimilação de dados que sejam capazes de explorar as informações decorrentes dessa explosão de dados. As técnicas de aprendizado de máquina têm o potencial de impulsionar o estado da arte dos procedimentos de análise de dados usados em diferentes áreas das Geociências. Neste contexto, propomos uma escola de verão que tem como foco o uso de técnicas de Machine Learning para dados geofísicos, geológicos e ambientais.

A escola abordará os tópicos listados abaixo. Cada tópico será acompanhado por sessões práticas específicas, focadas na solução de problemas gerais geofísicos, geológicos e ambientais.

Mirar

Esta escola de verão visa fornecer uma visão geral dos principais métodos de aprendizado de máquina e sua aplicação a dados geofísicos, geológicos e ambientais, mantendo um sabor mais prático.

Após o curso o aluno estará apto a utilizar técnicas básicas de aprendizado de máquina aplicadas às geociências. O aluno aprenderá a identificar qual método de ML é mais adequado do que outros para a análise de um determinado conjunto de dados e avaliar o desempenho dos modelos utilizados. Após o curso o aluno também terá uma visão geral das principais bibliotecas de Machine Learning (em particular SciKit-Learn, Tensorflow e Keras)

Alunos de Pós-Graduação, Investigadores em Early-Stage, Profissionais.

A escola cobrirá os tópicos listados abaixo. Cada tema será acompanhado de sessões práticas específicas, focadas na resolução de problemas geofísicos e geológicos gerais.

Introdução

• Visão geral do curso e conceitos gerais de aprendizagem automática.

Aprendizagem Supervisionada

• Regressão (Técnicas de Regressão Linear e Não-Linear);
• Classificação (Regressão Logística, K-Nerestvizinhos e Máquinas de Vectores de Suporte).

Aprendizagem não supervisionada

• Clustering (k-means, Clustering Hierárquico, DB-Scan);
• Redução de dados (PCA e ICA).

Aprendizagem Profunda

• Noções básicas de Redes Neuronais Artificiais (Função de Ativação, Retropropagação, Treino e Optimização);
• Redes Neuronais Convolucionais para reconhecimento de imagem;
• Redes Neuronais Recorrentes para Análise de Séries Temporais.