O uso de inteligência artificial, especialmente Machine Learning (ML), tem crescido nas geociências, seja na pesquisa ou no mercado de trabalho. Nesta área, para que a aplicação de ML tenha sucesso em atingir o objetivo proposto, é preciso unir conhecimentos de domínio ao entendimento de conceitos e limitações dos diferentes algoritmos. Desse modo, esta disciplina visa apresentar os fundamentos básicos de ML através de exemplos e da realização de atividades práticas de resolução de problemas reais de diferentes áreas das geociências
Introdução à Inteligência Artificial aplicada em geociências. Introdução à programação com Python. Fluxo de trabalho. Modelagem. Medidas de avaliação de desempenho. Aplicações e inovações na resolução de problemas geológicos. Interpretação e comunicação de resultados.
• Introdução à Inteligência Artificial aplicada em geociências: ramos da inteligência artificial; fontes de dados; desafios dos dados geológicos • Introdução à programação com Python • Fluxo de trabalho: visão geral; entendendo os objetivos e escolhendo a solução • Fluxo de trabalho: coleta, preparação e análise exploratória de dados;particionamento de dados • Modelagem: Regressão; Classificação; Agrupamento; Redução de dimensionalidade • Deep learning • Medidas de avaliação de desempenho • Exemplos de aplicações e exercícios com dados reais • Interpretação e comunicação de resultados
AMANI, Meisam et al. Google Earth Engine Cloud Computing Platform for Remote Sensing Big Data Applications: A Comprehensive Review. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, [S. l.], v. 13, p. 5326–5350, 2020. DOI: 10.1109/JSTARS.2020.3021052. DRAMSCH, Jesper Sören. 70 Years of Machine Learning in Geoscience in Review. Advances in Geophysics, [S. l.], v. 61, p. 1–55, 2020. DOI: 10.1016/bs.agph.2020.08.002. GERON, Aurelien. Mãos à Obra: Aprendizado de Máquina com Scikit-Learn, Keras & TensorFlow – Conceitos, Ferramentas e Técnicas para a Construção de Sistemas Inteligentes. 2 Ed. O’Reilly, 2019. HASTIE, Trevor; TIBSHIRANI, Robert; FRIEDMAN, Jerome. The Elements of Statistical Learning - Data Mining, Inference and Prediction. 2 Ed. New York: Springer, 2017. IZBICKI, R. e SANTOS, T. M. dos. Aprendizado de máquina: uma abordagem estatística. 1a edição. 2020. 272 páginas. ISBN: 978-65-00-02410-4. Disponível em: http://www.rizbicki.ufscar.br/ame/ L’HEUREUX, A.; GROLINGER, K.; YAMANY, H. F. E.; CAPRETZ, M. Machine learning with BigData: challenges and approaches. IEEE Access, Apr. 2017. PETRELLI, Maurizio. Introduction to Python in Earth Science Data Analysis: From Descriptive Statistics to Machine Learning. Springer Nature, 2021. PIERSON, L. Data Science for dummies. 2.ed. New Jersey: John Wiley & Sons, 2017. ROUGIER, Nicolas P. Scientific Visualization: Python + Matplotlib. 2021. Disponível em: https://hal.inria.fr/hal-03427242/. SHIRMARD, Hojat; FARAHBAKHSH, Ehsan; MÜLLER, R. Dietmar; CHANDRA, Rohitash. A review of machine learning in processing remote sensing data for mineral exploration. Remote Sensing of Environment, [S. l.], v. 268, n. February 2021, p. 112750, 2022. DOI: 10.1016/j.rse.2021.112750. Disponível em: https://doi.org/10.1016/j.rse.2021.112750. SUN, Ziheng et al. A review of Earth Artificial Intelligence. Computers and Geosciences, [S. l.], v. 159, n. August 2021, p. 105034, 2022. DOI: 10.1016/j.cageo.2022.105034. Disponível em: https://doi.org/10.1016/j.cageo.2022.105034. SWEIGART, A. Automatize tarefas maçantes com Python: programação prática para verdadeiros iniciantes. São Paulo: Novatec, 2017. YANG, Liping; DRISCOL, Joshua; SARIGAI, Sarigai; WU, Qiusheng; CHEN, Haifei; LIPPITT, Christopher D. Google Earth Engine and Artificial Intelligence (AI): A Comprehensive Review. Remote Sensing, [S. l.], v. 14, n. 14, p. 3253, 2022. DOI: 10.3390/rs14143253. Disponível em: https://www.mdpi.com/2072-4292/14/14/3253.