
Summer School Einführung in das maschinelle Lernen in den Geowissenschaften
DAUER
5 Days
SPRACHEN
Englisch
TEMPO
Vollzeit
BEWERBUNGSSCHLUSS
01 May 2025
FRÜHESTES STARTDATUM
30 Jun 2025
AUSBILDUNGSKOSTEN
EUR 500
STUDIENFORMAT
Fernunterricht, Auf dem Campus
Einführung
Viele Anwendungen, die noch vor wenigen Jahren ohne jegliche menschliche Interaktion als unmöglich galten, werden heute autonom von immer leistungsfähigeren Maschinen und ausgeklügelten Algorithmen ausgeführt. Gefüttert von einer enormen Menge verfügbarer Daten können maschinelle Lernalgorithmen lernen, ohne explizit programmiert zu werden, komplexe Aufgaben wie Sprach-, Gesichts- und Objekterkennung zu lösen oder die besten menschlichen Spieler beim uralten Go-Spiel zu spielen und sogar zu besiegen.
Maschinelles Lernen wird zu einer wesentlichen Fähigkeit in vielen datenintensiven wissenschaftlichen Bereichen, einschließlich geowissenschaftlicher Disziplinen.
In vielen Bereichen der Geowissenschaften wachsen Datensätze in Größe und Vielfalt außergewöhnlich schnell, was den Bedarf an neuen Datenverarbeitungs- und Assimilationstechniken unterstreicht, die in der Lage sind, die Informationen aus dieser Datenexplosion zu nutzen. Techniken des maschinellen Lernens haben das Potenzial, den Stand der Technik von Datenanalyseverfahren voranzutreiben, die in verschiedenen Bereichen der Geowissenschaften verwendet werden. In diesem Zusammenhang schlagen wir eine Sommerschule vor, die sich auf die Verwendung von Techniken des maschinellen Lernens für geophysikalische, geologische und Umweltdaten konzentriert.
Die Schule behandelt die unten aufgeführten Themen. Jedes Thema wird von spezifischen praktischen Sitzungen begleitet, die sich auf die Lösung allgemeiner geophysikalischer, geologischer und umweltbezogener Probleme konzentrieren.
Ziel
Ziel dieser Sommerschule ist es, einen Überblick über die wichtigsten Methoden des maschinellen Lernens und ihre Anwendung auf geophysikalische, geologische und Umweltdaten zu geben und dabei einen eher praktischen Charakter zu bewahren.
Nach dem Kurs ist der Student in der Lage, grundlegende Techniken des maschinellen Lernens anzuwenden, die in den Geowissenschaften angewendet werden. Der Student lernt zu erkennen, welche ML-Methode besser geeignet ist als andere für die Analyse eines bestimmten Datensatzes und die Leistungsfähigkeit der verwendeten Modelle zu bewerten. Nach dem Kurs hat der Student auch einen Überblick über die wichtigsten Bibliotheken für maschinelles Lernen (insbesondere SciKit-Learn, Tensorflow und Keras).
Programmintensität | ECTS |
Vollzeit | 3 |
Zeitraum | Bewerbungsschluss |
3. - 7. Juli 2023 | 1. April 2023 |
Galerie
Ideale Studenten
Graduierte, Nachwuchswissenschaftler, Berufstätige.
Admissions
Studiengebühren für das Programm
Lehrplan
Dieser Kurs führt Studierende in die spannende Welt des maschinellen Lernens (ML) ein, mit besonderem Schwerpunkt auf den Geowissenschaften. Am Ende des Kurses verstehen die Studierenden grundlegende ML-Konzepte und können diese auf geowissenschaftliche Probleme wie die Analyse seismologischer Daten, die Analyse geochemischer Daten, die Klimamodellierung und die Klassifizierung von Satellitenbildern anwenden.
Lernergebnisse:
Verstehen Sie die wichtigsten Techniken des maschinellen Lernens (sowohl überwacht als auch unbeaufsichtigt).
Wenden Sie ML-Techniken auf geowissenschaftliche Datensätze an.
Entwickeln Sie kritisches Denken zur Modellbewertung und -optimierung.
Einführung
Einführung in maschinelles Lernen (ML)
Überblick über maschinelles Lernen und seine Relevanz in den Geowissenschaften.
Anwendungen in den Geowissenschaften: seismische Interpretation, Mineralexploration und Klimavorhersage.
Kurzer Überblick über die Arten des maschinellen Lernens: überwachtes, unüberwachtes und bestärkendes Lernen.
Grundlegende Konzepte: Training, Validierung und Testen von Datensätzen. Überanpassung und Unteranpassung in Modellen.
Praxis: Erkunden Sie einen grundlegenden geowissenschaftlichen Datensatz (z. B. seismische Daten, Temperaturaufzeichnungen, Protokolldaten) und verstehen Sie den Arbeitsablauf für ML-Anwendungen.
Optimierungstechniken
Einführung in die Optimierung: Definition und Relevanz der Optimierung in Modellen des maschinellen Lernens.
Optimierung in den Geowissenschaften: Finden der am besten passenden Modelle für geologische Muster.
Globale und lokale Optimierung:
Lokale Optimierung: Gradientenabstieg, stochastischer Gradientenabstieg.
Globale Optimierung: Simulated Annealing, genetische Algorithmen.
Praktisch: Implementieren Sie einen Gradientenabstiegsalgorithmus zur Lösung eines einfachen Regressionsproblems im Bereich der Geowissenschaften (z. B. Vorhersage hydrologischer Parameter anhand historischer Daten).
Überwachtes Lernen
Lineare und nichtlineare Regression:
Lineare Regression: Anpassung von Modellen zur Vorhersage geologischer Eigenschaften (z. B. Mineralkonzentrationen).
Polynomische Regression und Entscheidungsbäume für nichtlineare Beziehungen.
Einstufung:
Logistische Regression für binäre Klassifizierungsaufgaben in den Geowissenschaften (z. B. Klassifizierung von Gesteinsarten).
K-Nearest Neighbors (KNN) und Support Vector Machines (SVM) für Multiklassenprobleme wie die Ermittlung der Landbedeckung anhand von Satellitenbildern.
Praxis: Wenden Sie Regressions- und Klassifizierungstechniken auf echte geowissenschaftliche Datensätze an. Vorhersage und Klassifizierung geologischer Daten (z. B. Faziesklassifizierung anhand von Bohrlochmessungen).
Unüberwachtes Lernen
Clusterung:
K-Means-Clustering zur Erkennung geologischer Merkmale (z. B. Identifizierung seismischer Cluster).
Hierarchisches Clustering und DB-Scan für eine tiefere Datensegmentierung (z. B. Analyse von Erdbebenepizentren).
Dimensionsreduzierung: Hauptkomponentenanalyse (PCA) und unabhängige Komponentenanalyse (ICA) zur Reduzierung komplexer geowissenschaftlicher Daten.
Praktisch: Verwenden Sie Clustering, um natürliche Gruppen in Daten zu seismischen Aktivitäten zu identifizieren. Führen Sie PCA durch, um die Abmessungen von Bildern zu reduzieren.
Tiefes Lernen
Einführung in neuronale Netze:
Grundlagen künstlicher neuronaler Netze (KNN) und deren Architektur.
Aktivierungsfunktionen (ReLU, Sigmoid usw.) und Backpropagation.
Training und Optimierung: Überanpassungs- und Regularisierungstechniken (L1, L2). Optimierer: Adam, RMSProp und Lernratenplanung.
Praxis: Erstellen Sie ein grundlegendes neuronales Netzwerk zur Bildklassifizierung.
Deep Learning für Geowissenschaften
Faltungsneuronale Netze (CNNs):
Verstehen von CNNs und ihrer Relevanz in bildbasierten geowissenschaftlichen Daten (z. B. Satellitenbildern, seismischen Wellenformen).
CNN-Schichten: Faltung, Pooling, vollständig verbundene Schichten.
Anwendungen in den Geowissenschaften:
Satellitenbildanalyse zur Kartierung der Landbedeckung.
Seismische Bildanalyse zur Erkennung geologischer Strukturen.
Praxis: Erstellen Sie ein CNN, um Satellitenbilder verschiedener geologischer Formationen zu klassifizieren oder Veränderungen der Landbedeckung zu kartieren.
Projekt: Maschinelles Lernen in den Geowissenschaften
In den letzten beiden Wochen arbeiten die Studierenden an einem kleinen Projekt, bei dem sie die im Kurs erlernten Konzepte auf ein bestimmtes geowissenschaftliches Problem anwenden.
Die Studierenden präsentieren ihre Ergebnisse und reichen einen Projektbericht ein, in dem ihre Methodik, die Leistung ihres Modells und ihre Erkenntnisse detailliert beschrieben werden.
English Language Requirements
Zertifizieren Sie Ihre Englischkenntnisse mit dem Duolingo Englischtest! Der DET ist ein bequemer, schneller und erschwinglicher Online-Englischtest, der von über 4.000 Universitäten (wie dieser) auf der ganzen Welt akzeptiert wird.