Agenda
El curso contará con clases teóricas que se dictarán en formato híbrido (presencial y virtual) durante las horas de la mañana (de 9 a 12:30 hs) y con clases de laboratorio que serán solo en modalidad presencial que se dearrollarán en horas de la tarde (de 14 a 17 hs).
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 librerias de código abierto como Scikit-learn y Pytorch.
La agenda detallada del curso se puede descargar aqui
Lunes 27 de febrero
Introducción
Lineamientos generales sobre machine learning y su aplicación en fluidos geofísicos. Conjuntos de datos que comunmente se utilizan para el estudio de los fluidos geofísicos.
Introducción a Python, Scikit learn y pytorch.
Martes 28 de febrero
Teoría de probabilidad
Distribuciones de probabilidad en 1 y varias variables. Teoria de la estimación. Máxima verosimilitud.
Ejercitación usando Python.
Miércoles 1 de marzo
Arboles de decisión y bosques aleatorios
Introducción a los árboles de decisión y bosques aleatorios. Aplicación a problemas de clasificación y regresión. Métodos de entrenamiento.
Implementación utilizando Scikit learn.
Jueves 2 de marzo
Métodos de agrupamiento
Técnicas de agrupamiento: K-means, mezcla de Gaussianas entre otroas. Parámetros fundamentales. Aplicaciones a geofluidos.
Implementación de las técnicas de agrupamiento a datos de geofluidos usando Scikit learn.
Viernes 3 de marzo
Support Vector Machines
Introducción a la teoría de support vector machines. Ejemplos de aplicación en problemas de geofluidos.
Implementación de support vector machines con datos de geofluidos usando Python.
Lunes 6 de marzo
Redes neuronales
Teóricas: Introducción a las redes neuronales y sus aplicaciones en geofluidos. Redes recurrentes.
Laboratorio: Implementación de redes neuronales usando Pytorch y datos de geofluidos.
Martes 7 de marzo
Entrenamiento de redes neuronales
El problema de la optimización en espacios de alta dimensionalidad. Gradiente descendente y la tasa de aprendizaje. Gradiente descendente estocastico, gradiente descendente con momemtum.
Implementación de las diferentes estrategias utilizando Pytorch utilizando datos de geofluidos.
Miércoles 8 de marzo
Aprendizaje profundo I
Introducción a la noción de aprendizaje profundo. Ejemplos de arquitecturas: redes convolucionales. Aplicaciones en el contexto de fluidos geofísicos.
Implementación de redes convolucionales utilizando Pytorch para regresión usando datos de geofluidos.
Jueves 9 de marzo
Aprendizaje Profundo II
Arquitecturas complejas implementadas en redes profundas. GANs y U-Nets. Ejemplos de aplicación en geofluidos.
Aplicación de técnicas de aprendizaje profundo con datos de geofluidos utilizando Pytorch.
Viernes 10 de marzo
Ciclo de seminarios sobre machine learning y geofluidos
Este ciclo consiste en una serie de charlas dictadas por cientificos que se encuentran aplicando las técnicas de machine learning para la resolución de diferentes problemas relacionados con geofluidos.