ИИ в науках о Земле

Бакалавриат 2025/2026

Статус: Курс обязательный (География глобальных изменений и геоинформационные технологии)

Кто читает: Факультет географии и геоинформационных технологий

Где читается: Факультет географии и геоинформационных технологий

Когда читается: 4-й курс, 1, 2 модуль

Охват аудитории: для своего кампуса

Язык: русский

Контактные часы: 84

Дополнительные материалы в LMS Задать вопрос

Аннотация

Курс «ИИ в науках о Земле» знакомит студентов с современными методами искусственного интеллекта для анализа данных и моделирования природных процессов. Основное внимание уделяется алгоритмам обучения с учителем и без учителя, методам снижения размерности и интерпретации моделей, а также ансамблевым и нейросетевым подходам. На примерах данных атмосферы, океана и криосферы рассматриваются задачи классификации, регрессии, кластеризации и визуализации многомерных данных. Студенты приобретают практические навыки подготовки и обработки наборов данных, построения моделей, оценки их качества и интерпретации результатов с учётом физического смысла рассматриваемых процессов.

Цель освоения дисциплины

Освоение фундаментальных понятий и методов машинного обучения и искусственного интеллекта, применяемых к задачам наук о Земле.
Получение знаний об алгоритмах обучения с учителем и без учителя, методах снижения размерности, интерпретации моделей и оценке их качества.
Изучение возможностей ансамблевых и нейросетевых подходов для анализа данных атмосферы, океана и криосферы.
Приобретение практических навыков подготовки и обработки геофизических данных, построения и тестирования моделей.
Формирование умений интерпретировать результаты моделирования с учётом физического смысла процессов в науках о Земле.

Планируемые результаты обучения

формулирует основные понятия и определения искусственного интеллекта и машинного обучения; различает контролируемое, неконтролируемое и самоконтролируемое обучение; умеет приводить примеры постановок задач на данных океана, атмосферы и климата
описывает и иллюстрирует особенности данных наук о Земле, их структуру и основные проблемы качества (шумы, пропуски, масштабирование), а также принципы подготовки данных для последующего анализа методами ИИ
умеет формулировать задачи классификации, регрессии и кластеризации применительно к данным океана, атмосферы и климата; умеет выбирать соответствующие методы решения в подходе наук о данных на базовом уровне
Владеет базовыми инструментами предварительной обработки данных, разделения выборки на обучающую, валидационную и тестовую части, а также методами первичной оценки качества моделей
формулировать основы линейных моделей, их математические принципы, ограничения и области применения в задачах наук о Земле
формулирует основные методы регуляризации (L1, L2, Elastic net); демонстрирует их матемтический вывод, объясняет их роль в борьбе с переобучением
описывает алгоритмы построения деревьев решений и ансамблевых моделей (бэггинг, случайные леса, бустинги), а также их преимущества и недостатки при работе с данными океана, атмосферы и климата
применяет линейные модели и непараметрические модели для решения задач классификации и регрессии на примерах геофизических данных
владеет навыками оценки качества классических моделей классификации с использованием метрик точности, полноты, F-меры, с использованием методов перекрестной проверки
владеет инструментами интерпретации моделей, включая оценку значимости признаков и анализ устойчивости результатов
называет и объясняет основные задачи неконтролируемого обучения; демонстрирует их применение к данным океана, атмосферы и климата
объясняет различия между линейными и нелинейными методами снижения размерности, их математические основы и ограничения
применяет различные алгоритмы кластеризации и методы снижения размерности для анализа многомерных данных
применяет подходы визуализации и интерпретации результатов неконтролируемого обучения для выявления структуры данных и идентификации аномалий
формулирует архитектуру многослойного перцептрона, объясняет назначение нелинейных функций активации и роль параметров нейросети в аппроксимации сложных зависимостей в данных океана, атмосферы и климата
объясняет принципы оптимизации нейросетей с использованием градиентных методов, объясняет устройство графа вычислений и метод обратного распространения ошибки
применяет различные методы инициализации весов, регуляризации и нормализации для стабилизации обучения и повышения обобщающей способности моделей
объясняет выбор функций активации с учетом их свойств и влияния на процесс обучения
разрабатывает методы искусственного дополнения данных; применяет практические инструментами стабилизации обучения глубоких нейросетей
формулировать и распознавать архитектуры специализированных нейросетей (сверточные, рекуррентные, модели на основе механизмов внимания); применять их в задачах анализа пространственных и временных данных океана, атмосферы и климата
реализовывать код для построения моделей, чтения и аугментации данных, организации цикла обучения и валидации с учетом особенностей, направленных на снижение влияния факторов, ограничивающих производительность при обучении нейросетей на GPU
применяет методы параллельной обработки данных и оптимизации пайплайна обучения (загрузчик данных, многопоточные чтение и обработка данных, использование очередей данных на CPU/GPU, аугментация данных «на лету»)
применяет навыки построения и обучения автокодировщиков различных типов для задач идентификации аномалий и снижения размерности в геофизических данных
применяет методы неконтролируемого и самоконтролируемого обучения для выучивания представлений данных, прогнозирования и извлечения признаков в задачах наук о Земле
решает прикладные задачи анализа и моделирования процессов и коллекций данных в науках о Земле с использованием порождающих и дискриминативных нейросетевых моделей, включая задачи идентификации аномалий и анализа многомерных данных

Содержание учебной дисциплины

Основы искусственного интеллекта и машинного обучения
Классические методы машинного обучения
Неконтролируемое обучение, снижение размерности
Основы глубокого обучения: искусственные нейронные сети и их оптимизация
Специализированные архитектуры и эффективные подходы обучения нейросетей в науках о Земле

Элементы контроля

Практическая работа 1
Работа направлена на закрепление навыка постановки задач в форме задач МО. Задание индивидуальное. В задании описываются сферы исследований в науках о Земле и некоторые проблемы, представляющие интерес для исследователей. Альтернативно можно использовать области исследований своей курсовой работы или любые другие, связанные с геофизикой или науками о Земле. Задание заключается в том, чтобы сформулировать две задачи в терминах машинного обучения, которые можно было бы решать, имея в распоряжении описанные данные. В решении должны быть описаны все необходимые составляющие формулировки задачи.
Самостоятельная работа 1
Задание направлено на закрепление понимания вероятностных основ линейных моделей машинного обучения. В этом задании необходимо воспроизвести вывод функции потерь для линейной регрессии в предположении, что целевая переменная генерируется природой не из нормального распределения, а из распределения Лапласа. В решении должны быть выписаны все предпосылки, влияющие на вывод формулы функции потерь, и пояснены все переходы с учетом этих предпосылок. Работа выполняется индивидуально.
Практическая работа 2
Задание направлено на освоение ключевых этапов разведочного анализа данных (EDA), необходимых для последующей подготовки и построения моделей машинного обучения в науках о Земле. Студенту предлагается выполнить EDA на выбранной коллекции данных (желательно связанной с дальнейшей проектной работой) и оформить результат в Jupyter-ноутбуке. В рамках задания необходимо: • провести чтение и предварительную подготовку данных; • исследовать структуру данных (размерность, типы, пропуски); • выполнить одномерный анализ (описательные статистики, распределения); • выполнить двумерный анализ (связи между целевой переменной и признаками, корреляции); • выполнить многомерный анализ взаимосвязей; • визуализировать результаты.
Практическая работа 3
Задание направлено на освоение базовой модели машинного обучения — линейной регрессии. Студенту необходимо: • подготовить массивы признаков (X) и целевой переменной (Y) из выбранной им коллекции данных; • построить и обучить модель линейной регрессии с использованием scikit-learn или с использованием реализации, продемонстрированной на семинаре; • оценить качество модели с помощью количественных метрик (R², RMSE и др.) и графической интерпретации; • выполнить первичный анализ коэффициентов регрессии и их интерпретацию в контексте данных наук о Земле.
Практическая работа 4
Задание направлено на освоение методов оценки качества и неопределённостей моделей машинного обучения с использованием кросс-валидации. Студенту необходимо: • дополнить решение задачи линейной регрессии реализацией кросс-валидации; • обосновать выбор метода кросс-валидации (bootstrap, k-fold, stratified k-fold и др.); • с использованием выбранного подхода оценить неопределённости (например, стандартное отклонение или доверительные интервалы) для качества, параметров и прогнозов модели; • интерпретировать полученные результаты и сделать выводы о надёжности модели.
Практическая работа 5
Задание направлено на понимание принципов работы полносвязной искусственной нейронной сети (ИНС) через пошаговую реализацию прямого прохода. Студенту необходимо: • загрузить данные и параметры заранее обученной трёхслойной нейросети; • реализовать вычисления сети «вручную» (слой за слоем с заданной функцией активации); • сравнить результаты нейросети с эталонной целевой переменной; • вычислить метрики качества (MSE, MAE, коэффициент корреляции Пирсона, R²); • визуализировать результаты (диаграмму рассеяния аппроксимированных и наблюдённых значений).
Практическая работа 6
Задание направлено на освоение применения сверточных автокодировщиков для задач выявления аномалий. Студенту необходимо: • реализовать и обучить сверточный автокодировщик на тренировочных данных; • применить модель к тестовым данным; • проанализировать результаты восстановления и определить примеры, которые можно считать аномальными на основании высоких значений функции потерь.

Промежуточная аттестация

2025/2026 2nd module
0.15 * Практическая работа 1 + 0.1 * Практическая работа 2 + 0.1 * Практическая работа 3 + 0.2 * Практическая работа 4 + 0.15 * Практическая работа 5 + 0.25 * Практическая работа 6 + 0.05 * Самостоятельная работа 1

Список литературы

Авторы

Зюляева Юлия Анатольевна

Программа дисциплины