Vasaros mokyklos įvadas į mašininį mokymąsi geomoksluose
University of Pisa Summer - Winter Schools & Foundation Course
Pagrindinė informacija
Universiteto vieta
Pisa, Italija
Kalbų studijos
Anglų kalba
Studijų formatas
Nuotolinis mokymasis, Stovykloje
Trukmė
5 days
Tempas
Dieninės
Mokestis už mokslą
EUR 500
Galutinis paraiškų davimo terminas
03 May 2024
Anksčiausia pradžios data
01 Jul 2024
Įvadas
Daug programų, kurių dar prieš kelerius metus būtų buvę neįmanoma atlikti be jokios žmogaus sąveikos, dabar yra autonomiškai vykdomos vis galingesnės mašinos ir sudėtingesni algoritmai. Mašininio mokymosi algoritmai, maitinami didžiuliu turimų duomenų kiekiu, gali išmokti, nebūdami aiškiai užprogramuoti, spręsti sudėtingas užduotis, tokias kaip kalbos, veido ir objektų atpažinimas, arba žaisti ir net nugalėti geriausius žaidėjus senoviniame Go žaidime.
Mašininis mokymasis tampa esminiu įgūdžiu daugelyje duomenų reikalaujančių mokslo sričių, įskaitant su žemės mokslais susijusias disciplinas.
Daugelyje geomokslų sričių duomenų rinkinių dydis ir įvairovė auga itin sparčiai, todėl išryškėja naujų duomenų apdorojimo ir asimiliacijos metodų, kurie galėtų panaudoti informaciją, gautą iš šio duomenų sprogimo, poreikį. Mašininio mokymosi metodai gali paskatinti duomenų analizės procedūrų, naudojamų įvairiose geomokslų srityse, pažangą. Šiame kontekste siūlome vasaros mokyklą, kurioje pagrindinis dėmesys skiriamas mašininio mokymosi metodų naudojimui geofiziniams, geologiniams ir aplinkos duomenims.
Mokykla apims toliau išvardytas temas. Kiekvieną temą lydės konkretūs praktiniai užsiėmimai, orientuoti į bendrųjų geofizinių, geologinių ir aplinkosaugos problemų sprendimą.
Tikslas
Šios vasaros mokyklos tikslas – apžvelgti pagrindinius mašininio mokymosi metodus ir jų pritaikymą geofiziniams, geologiniams ir aplinkos duomenims, išlaikant praktiškesnį skonį.
Baigęs kursą, studentas gebės naudoti pagrindines mašininio mokymosi technikas, taikomas geomoksluose. Studentas išmoks atpažinti, kuris ML metodas yra tinkamesnis už kitus konkrečiam duomenų rinkiniui analizuoti ir įvertinti naudojamų modelių veikimą. Po kurso studentas taip pat turės pagrindinių mašininio mokymosi bibliotekų (ypač SciKit-Learn, Tensorflow ir Keras) apžvalgą.
Programos intensyvumas | ECTS |
Pilnas laikas | 3 |
Laikotarpis | Paraiškos Paskutinis pristatymo laikas |
2023 m. liepos 3–7 d | 2023 m. balandžio 1 d |
Galerija
Idealūs studentai
Absolventai, ankstyvosios stadijos mokslininkai, profesionalai.
Priėmimai
Programos mokestis už mokslą
Stipendijos ir finansavimas
Finansavimas
Jei norite gauti daugiau informacijos, rašykite koordinatoriui.
Studijų programa
Mokykla apims toliau išvardytas temas. Kiekvieną temą lydės konkretūs praktiniai užsiėmimai, orientuoti į bendrųjų geofizinių ir geologinių problemų sprendimą.
Įvadas
- Kurso ir bendrųjų mašininio mokymosi koncepcijų apžvalga.
Prižiūrimas mokymasis
- Regresija (tiesinės ir netiesinės regresijos metodai);
- Klasifikacija (logistinė regresija, K-Artimiausi kaimynai ir paramos vektorinės mašinos).
Mokymasis be priežiūros
- Klasterizavimas (k-means, Hierarchical Clustering, DB-Scan);
- Duomenų mažinimas (PCA ir ICA).
Gilus mokymasis
- Dirbtinių neuronų tinklų pagrindai (aktyvinimo funkcija, platinimas atgal, mokymas ir optimizavimas);
- Konvoliuciniai neuroniniai tinklai vaizdo atpažinimui;
- Pasikartojantys neuroniniai tinklai laiko eilučių analizei.