Letní škola Úvod do strojového učení v geovědách

Velké množství aplikací, které by se ještě před několika lety považovaly za nemožné provádět bez jakékoli lidské interakce, je nyní autonomně vykonáváno stále výkonnějšími stroji a sofistikovanějšími algoritmy. Díky obrovskému množství dostupných dat se algoritmy strojového učení mohou naučit, aniž by byly explicitně naprogramovány, řešit složité úkoly, jako je rozpoznávání řeči, obličeje a objektů, nebo hrát a dokonce porazit ty nejlepší lidské hráče ve starověké hře Go.

Strojové učení se stává nezbytnou dovedností v mnoha vědních oborech náročných na data, včetně disciplín souvisejících s vědami o Zemi.

V mnoha oblastech geovědních datových souborů narůstá velikost a rozmanitost výjimečně rychlým tempem, což zdůrazňuje potřebu nových technik zpracování dat a asimilace, které jsou schopny využít informace pocházející z této exploze dat. Techniky strojového učení mají potenciál posunout kupředu nejmodernější postupy analýzy dat používané v různých oblastech geověd. V této souvislosti navrhujeme letní školu, která se zaměřuje na využití technik strojového učení ke geofyzikálním, geologickým a environmentálním datům.

Škola se bude věnovat níže uvedeným tématům. Každé téma bude provázet konkrétní praktická cvičení, zaměřená na řešení obecných geofyzikálních, geologických a environmentálních problémů.

Cíl

Tato letní škola si klade za cíl poskytnout přehled hlavních metod strojového učení a jejich aplikace na geofyzikální, geologická a environmentální data, přičemž si zachová praktičtější příchuť.

Po absolvování kurzu bude student schopen používat základní techniky strojového učení aplikované v geovědách. Student se naučí identifikovat, která metoda ML je pro analýzu konkrétních datových souborů vhodnější než jiné a vyhodnotit výkonnost použitých modelů. Po absolvování kurzu bude mít student také přehled o hlavních knihovnách strojového učení (zejména SciKit-Learn, Tensorflow a Keras)

Postgraduální studenti, Výzkumní pracovníci v rané fázi, Profesionálové.

Škola se bude zabývat níže uvedenými tématy. Každé téma bude doprovázeno konkrétními praktickými cvičeními zaměřenými na řešení obecných geofyzikálních a geologických problémů.

Úvod

• Přehled předmětu a obecné pojmy strojového učení.

Učení pod dohledem

• Regresní (lineární a nelineární regresní techniky);
• Klasifikace (Logistická regrese, K-nejbližšími sousedy a podpůrné vektorové stroje).

Učení bez dozoru

• Clustering (k-prostředky, hierarchický clustering, db-scan);
• Redukce dat (PCA a ICA).

Hluboké učení

• Základy umělých neuronových sítí (aktivační funkce, zpětné šíření, školení a optimalizace);
• Konvoluční neuronové sítě pro rozpoznávání obrazu;
• Opakující se neuronové sítě pro analýzu časových řad.