NASA ARSET] Fundamentals of Machine Learning for Earth Science: NASA ARSET training invitation

Desde el Observatorio del Agua de la Universidad Nacional de Itapúa, se extiende la invitación al Nuevo  curso de ARSET sobre inteligencia artificial en Español, organizado por el programa ARSET de la NASA, los días 20 y 27 de abril y 4 de mayo de 2023, 14h a 15h30 horario este de EE.UU. (UTC-4). Las inscripciones se encuentran abierta. Es desarrollado dentro del área del programa de Conservación Ecológica, poniendo las Ciencias de la Tierra al servicio de un mundo mejor.

Visualizamos un mundo donde las observaciones de la Tierra están al alcance de su mano, para mejorar la toma de decisiones, fortalecer la economía y mejorar la calidad de vida de toda la humanidad.Pies en la Tierra, cabeza en los cielos. Mejorando vidas, mirando la Tierra. (Programa de Ciencias Aplicadas, parte de la División de Ciencias de la Tierra de la Dirección de Misión Científica de la NASA).

 

DETALLES

20 de abril de 2023 -4 de mayo de 2023

IDIOMAS Inglés

TIPO DE ENTRENAMIENTO Entrenamiento en linea

NIVEL Introductorio

FUENTE DE ENTRENAMIENTO:  ARSET- NASA

REQUISITOS PREVIOS: Fundamentos de la teledetección

Esta capacitación también está disponible en  español .

Registro en: https://register.gotowebinar.com/register/8425667984257110368

Citación

(2023). ARSET – Fundamentos de Machine Learning para Ciencias de la Tierra . Programa de Entrenamiento de Detección Remota Aplicada de la NASA (ARSET).

Dirigido a: Científicos de investigación y aplicados interesados ​​en aprender a aplicar técnicas básicas de aprendizaje automático a datos de ciencias de la Tierra (p. ej., datos satelitales como MODIS, Landsat, Sentinel-2, etc.).

Descripción:

La inteligencia artificial y el aprendizaje automático han ganado popularidad en las últimas décadas como resultado de los avances en la informática de alto rendimiento y el software de código abierto. En esencia, el aprendizaje automático proporciona una inferencia estadística basada en las entradas proporcionadas por el usuario, en la que los algoritmos aprenden las relaciones entre los datos de entrada y los resultados de salida. La complejidad de estos algoritmos permite el descubrimiento de patrones y tendencias invisibles para el analista humano, por lo que es importante crear entradas adecuadas para el análisis de estos modelos para garantizar que respondan a las preguntas que hacemos. Esta capacitación brindará a los asistentes una descripción general del aprendizaje automático en lo que respecta a las Ciencias de la Tierra y cómo aplicar estos algoritmos y técnicas a los datos de detección remota de manera significativa. Los asistentes también recibirán ejemplos de estudios de casos completos para generar un modelo de bosque aleatorio simple para la clasificación de la cobertura terrestre a partir de la teledetección óptica. También presentaremos estudios de casos adicionales para aplicar los flujos de trabajo presentados utilizando datos adicionales de la NASA.

OBJETIVO

Al final de esta capacitación, los asistentes podrán:

Reconocer los métodos de aprendizaje automático más comunes utilizados para procesar datos de Ciencias de la Tierra

Describir los beneficios y las limitaciones del aprendizaje automático para el análisis de Ciencias de la Tierra

Explicar cómo aplicar técnicas y algoritmos básicos de aprendizaje automático de manera significativa a los datos de teledetección

Use un conjunto de datos de entrenamiento apropiado para el análisis para evaluar las condiciones y soluciones para un estudio de caso dado

Procedimientos básicos completos para interpretar, refinar y evaluar la precisión de los resultados del análisis de aprendizaje automático

FORMATO DEL CURSO:  Tres sesiones de 1,5 horas.

SESIONES

Parte 1: Descripción general del aprendizaje automático

10:00 a 11:30 EDT (UTC-4:00)

jueves, 20 de abril de 2023

Entrenadores: Jordan A. Caraballo-Vega, Caleb Spradlin, Jian Li, Jules Kouatchou

Descripción general del aprendizaje automático

Importancia del aprendizaje automático dirigido a las ciencias de la tierra

Usabilidad del aprendizaje automático

Software para apoyar el aprendizaje automático

Aplicaciones de aprendizaje automático

Ejercicio práctico de Jupyter Notebook: carga y visualización de datos

Asignación posterior a la sesión

Sesión de preguntas y respuestas

Parte 2: datos de entrenamiento y ejemplo de clasificación de cobertura terrestre

10:00 a 11:30 EDT (UTC-4:00)

jueves, 27 de abril de 2023

Entrenadores: Jordan A. Caraballo-Vega, Caleb Spradlin, Jian Li, Jules Kouatchou

Descargar los datos de entrenamiento

Análisis exploratorio de datos

Extracción de datos de entrenamiento de un conjunto de datos tabulares

Extracción de datos de entrenamiento de un conjunto de datos ráster

Entrenamiento e inferencia de conjuntos de datos tabulares y ráster

Evaluación de métricas y modelos

Ejercicio práctico de Jupyter Notebook: estudio de caso de clasificación de agua MODIS

Asignación posterior a la sesión

Sesión de preguntas y respuestas

Parte 3: ajuste del modelo, optimización de parámetros y algoritmos adicionales de aprendizaje automático

10:00 a 11:30 EDT (UTC-4:00)

jueves, 4 de mayo de 2023

Entrenadores: Jordan A. Caraballo-Vega, Caleb Spradlin, Jian Li, Jules Kouatchou

Descripción general del ajuste del modelo

Descripción general de la optimización de parámetros

Ejercicio para optimizar el modelo existente

Descripción general de la explicabilidad y la interpretabilidad del modelo

Descripción general de algoritmos de aprendizaje automático adicionales

Ejercicio práctico de Jupyter Notebook: mejoras en el modelo de clasificación de agua MODIS

Asignación posterior a la sesión

Sesión de preguntas y respuestas.