Informações da Disciplina

 Preparar para impressão 

Júpiter - Sistema de Gestão Acadêmica da Pró-Reitoria de Graduação


Instituto de Geociências
 
Geologia Sedimentar e Ambiental
 
Disciplina: GSA0411 - Fundamentos e Aplicações de Machine Learning em Geociências
Fundamentals and Applications of Machine Learning in Geosciences

Créditos Aula: 3
Créditos Trabalho: 1
Carga Horária Total: 75 h
Tipo: Semestral
Ativação: 01/01/2024 Desativação:

Objetivos
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
 
 
 
Docente(s) Responsável(eis)
6433394 - Camila Duelis Viana
 
Programa Resumido
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.
 
 
 
Programa
• 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
 
 
 
Avaliação
     
Método
Aulas expositivas, discussões em sala de aula, atividades dirigidas e trabalhos práticos dentro e fora da classe. Aulas práticas utilizando ambientes computacionais, pacotes, bibliotecas e bases de dados geológicos. Seminários para discussão de resultados obtidos nos trabalhos práticos
Critério
Média ponderada das atividades dirigidas, projeto e seminário
Norma de Recuperação
Conforme a Resolução 3583, de 29.09.89. A Nota final será calculada conforme a seguinte fórmula: Nf = (Ma + Nr)/2; Ma = média final da disciplina; Nr = nota da prova de recuperação.
 
Bibliografia
     
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.
 

Clique para consultar os requisitos para GSA0411

Clique para consultar o oferecimento para GSA0411

Créditos | Fale conosco
© 1999 - 2024 - Superintendência de Tecnologia da Informação/USP