{"id":90490,"date":"2023-05-05T12:46:03","date_gmt":"2023-05-05T16:46:03","guid":{"rendered":"https:\/\/uni.edu.py\/?p=90490"},"modified":"2023-05-05T13:29:20","modified_gmt":"2023-05-05T17:29:20","slug":"concluyo-el-curso-de-capacitacion-fundamentos-de-inteligencia-artificial-para-las-ciencias-de-la-tierra-2023-arset-fundamentos-del-aprendizaje-automatico-para-las-ciencias-de-la-tierra-progr","status":"publish","type":"post","link":"https:\/\/archivo.uni.edu.py\/2018-2023\/2023\/05\/05\/concluyo-el-curso-de-capacitacion-fundamentos-de-inteligencia-artificial-para-las-ciencias-de-la-tierra-2023-arset-fundamentos-del-aprendizaje-automatico-para-las-ciencias-de-la-tierra-progr\/","title":{"rendered":"Concluy\u00f3 curso sobre \u00abFundamentos de Inteligencia Artificial para las Ciencias de la Tierra\u00bb"},"content":{"rendered":"

Concluy\u00f3 el Curso de Capacitaci\u00f3n: Fundamentos de Inteligencia Artificial para las Ciencias de la Tierra, programa de Entrenamiento de Detecci\u00f3n Remota Aplicada de la NASA (ARSET 2023).<\/span><\/p>\n

La inteligencia artificial y el aprendizaje autom\u00e1tico se han vuelto m\u00e1s populares en las \u00faltimas d\u00e9cadas como resultado de los avances en la computaci\u00f3n de alto rendimiento y el software de fuente abierta.<\/p>\n

En el sentido m\u00e1s b\u00e1sico, el aprendizaje autom\u00e1tico produce una inferencia basada en las entradas proporcionadas por el usuario, en la que los algoritmos aprenden las relaciones entre los datos de insumo y los resultados de salida.<\/p>\n

La complejidad de estos algoritmos permite descubrir patrones y tendencias invisibles para el analista humano y por lo tanto es importante crear entradas adecuadas para el an\u00e1lisis para estos modelos y as\u00ed estar seguros de estar respondiendo las preguntas que nos interesan. Esta capacitaci\u00f3n emple\u00f3 una visi\u00f3n general del aprendizaje autom\u00e1tico orientado hacia las Ciencias de la Tierra y tambi\u00e9n, c\u00f3mo aplicar estos algoritmos y t\u00e9cnicas de manera significativa a datos de teledetecci\u00f3n.<\/p>\n

A los participantes tambi\u00e9n se les proporcionaron ejemplos de estudios de caso de principio a fin de generar un modelo \u201crandom forest\u201d para la clasificaci\u00f3n de la cobertura terrestre a partir de la teledetecci\u00f3n \u00f3ptica.<\/p>\n

Adem\u00e1s\u00a0se presentaron\u00a0estudios de caso adicionales para aplicar los flujos de trabajo presentados usando datos adicionales de la NASA\u00a0(NASA, ARSET 2023.).<\/p>\n

La capacitaci\u00f3n se dividi\u00f3 en 3 sesiones:<\/p>\n

Part 1: Overview of Machine Learning.<\/strong><\/p>\n

Part 2: Training Data and Land Cover Classification Example.<\/strong><\/p>\n

Part 3: Model Tuning, Parameter Optimization, and Additional Machine Learning Algorithms.<\/strong><\/p>\n

Las jornadas de evaluaci\u00f3n est\u00e1n previstas\u00a0 desde el 19 hasta el 24 de mayo.<\/p>\n

Particip\u00f3 por el Observatorio del Agua, Estelvina Rodr\u00edguez<\/p>\n