Summer School Introduzione all'apprendimento automatico nelle geoscienze

Un gran numero di applicazioni che solo pochi anni fa sarebbero state considerate impossibili da eseguire senza alcun tipo di interazione umana sono ora eseguite autonomamente da macchine sempre più potenti e algoritmi sofisticati. Alimentati da un'enorme quantità di dati disponibili, gli algoritmi di apprendimento automatico possono imparare, senza essere esplicitamente programmati, a risolvere compiti complessi come riconoscimento vocale, facciale e di oggetti o giocare e persino sconfiggere i migliori giocatori umani nell'antico gioco di Go.

L'apprendimento automatico sta diventando una competenza essenziale in molti campi scientifici ad alta intensità di dati, comprese le discipline relative alle scienze della terra.

In molti campi delle Geoscienze i dataset stanno crescendo in dimensioni e varietà a un ritmo eccezionalmente veloce, evidenziando la necessità di nuove tecniche di elaborazione e assimilazione dei dati che siano in grado di sfruttare le informazioni derivanti da questa esplosione di dati. Le tecniche di apprendimento automatico hanno il potenziale per portare avanti lo stato dell'arte delle procedure di analisi dei dati utilizzate in diversi campi delle geoscienze. In questo contesto, proponiamo una scuola estiva incentrata sull'uso delle tecniche di Machine Learning per dati geofisici, geologici e ambientali.

La scuola tratterà gli argomenti elencati di seguito. Ogni argomento sarà accompagnato da sessioni pratiche specifiche, incentrate sulla soluzione di problemi geofisici, geologici e ambientali generali.

Scopo

Questa scuola estiva mira a fornire una panoramica dei principali metodi di apprendimento automatico e la loro applicazione a dati geofisici, geologici e ambientali, mantenendo un aspetto più pratico.

Al termine del corso lo studente sarà in grado di utilizzare le tecniche di base del machine learning applicate alle geoscienze. Lo studente imparerà a identificare quale metodo ML è più adatto di altri per l'analisi di un particolare dataset ea valutare le prestazioni dei modelli utilizzati. Dopo il corso lo studente avrà anche una panoramica delle principali librerie di Machine Learning (in particolare SciKit-Learn, Tensorflow e Keras)

Studenti laureati, ricercatori agli inizi, professionisti.

La scuola tratterà gli argomenti elencati di seguito. Ogni argomento sarà accompagnato da sessioni pratiche specifiche, incentrate sulla soluzione di problemi geofisici e geologici generali.

Introduzione

• Panoramica del corso e dei concetti generali di apprendimento automatico.

Apprendimento supervisionato

• Regressione (tecniche di regressione lineare e non lineare);
• Classificazione (Regressione logistica, K-NearestNeighbors e Support Vector Machines).

Apprendimento non supervisionato

• Clustering (k-means, clustering gerarchico, DB-Scan);
• Riduzione dei dati (PCA e ICA).

Apprendimento profondo

• Nozioni di base sulle reti neurali artificiali (funzione di attivazione, retropropagazione, addestramento e ottimizzazione);
• Reti neurali convoluzionali per il riconoscimento delle immagini;
• Reti neurali ricorrenti per l'analisi delle serie temporali.