El curso contará con clases teóricas y teórico-prácticas que se dictarán en formato híbrido (presencial y virtual).
Las clases teóricas incluirán una breve introducción a los métodos, su diseño, sus parámetros más importantes, así como también una presentación de ejemplos de su aplicación en problemas relacionados con fluidos geofísicos.
Las clases de laboratorio incluirán ejercicios en donde se apliquen los métodos discutidos en las clases teóricas con conjuntos de datos de geofluidos. La implementación de los métodos se realizará en Python utilizando librerías de código abierto como Scikit-learn y Pytorch.
La agenda detallada del curso se podra consultar proximamente
Semana I (31 de agosto al 4 de septiembre)
Lunes: Introducción al aprendizaje automático y nociones de estadística.
Martes: Redes neuronales y optimización.
Miércoles: Redes convolucionales para problemas de regresión, clasificación y reducción de dimensionalidad.
Jueves: Modelos generativos y modelos generativos condicionales.
Viernes: Introducción a ANEMOI (Prof. Marisol Osman). Análisis de secuencias temporales con redes recurrentes y transformers.
Semana II (7 al 11 de septiembre)
Lunes: Broad Machine Learning Applications (Prof. Takemasa Miyoshi), Machine Learning-Based Uncertainty Quantification (Prof. Manuel Pulido)
Martes: Machine learning-based hydrological modeling (Prof. Tristan Hascoet)
Miércoles : Machine learning and data assimilation (Prof. Alberto Carrassi)
Jueves: Data science for climate change (Prof. Pierre Tandeo)
Viernes: Physically Informed Neural Networks (Dr. Carlos Granero-Belinchón),