30760 Inverse problemer og machine learning i rum- og geofysik

2024/2025

Kursusinformation
Inverse Problems and Machine Learning in Earth and Space Physics
Engelsk
5
Kandidat
Kurset udbydes som enkeltfag
Retningsspecifikt kursus (MSc), Earth and Space Physics Engineering
Teknologisk specialisering (MSc), Earth and Space Physics and Engineering
F1B (tors 13-17)
Campus Lyngby
Forelæsninger, regneøvelser, computerøvelser, mindre projekter.
13-uger
F1B
Mundtlig eksamen og bedømmelse af rapport(er)
Helhedsvurdering.
Skriftlige hjælpemidler er tilladt
7-trins skala , ekstern censur
30230.­(02631/02632/02633).­0268601418
Chris Finlay , Lyngby Campus, Bygning 356, Tlf. (+45) 4525 9713 , cfinl@dtu.dk
30 Institut for Rumforskning og -teknologi
I studieplanlæggeren
Overordnede kursusmål
Kurset omhandler avancerede metoder til inversion af geofysiske og astrofysiske data,
herunder machine learning metoder. Gennem kurset løses eksempler på inverse problemer baseret på problemstillinger relateret til rum- og geofysik (f.eks. seismisk tomografi, geomagnetisme, exoplaneter, ground penetrating radar, galaktisk emissionsspektre). I kurset lægges særlig vægt på inversionsmetoder, som håndterer ikke-Gaussian støj og gør brug af passende a priori information, til at få mest muligt ud af observations data.

Python vil blive anvendt som værktøj i kurset.
Læringsmål
En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:
  • formulere og løse konkrete inversionsproblemer med ufuldstændige og støjfyldte data
  • anvende robuste statistiske metoder til at udlede modeller ud fra data, håndtering af ikke-Gaussian støj
  • anvende modelregularisering og a priori information i forbindelse med inversion
  • redegøre for niveau af modelregularisering
  • anvende sparsity modelregulariseringsmetoder
  • redegøre for anvendelsen af Bayesianske metoder til inversion af geofysiske og astrofysiske data
  • anvende Markov-Chain Monte Carlo (MCMC) metoder til at finde probabilistisk løsninger til inverse problemer.
  • redegøre relevans af maskinlæringsmetoder for problemer i jord- og rumfysik
  • anvende backpropagation metoder til at træne feed-forward neurale netværker til løsning af inverse problemer
Kursusindhold
Teori:
Statistisk databeskrivelse, Maximum likelihood, Model ikke-entydighed, Null space og opløsning, Bayes Teorem, Probabilistisk inversion, Overvåget og uovervåget maskinindlæringsmetoder

Metoder:
Robust statistik til ikke-Gaussian støj, Annihilators, Modelregularisering, Trade-off kurver, Generaliseret krydsvalidering, Resolution matrix, Markov-Chain-Monte-Carlo (MCMC) metoder, Sequential Gibbs sampling, Feed-forward neurale netværker, Træning med backpropagation, stokastiske gradientafstamning
Bemærkninger
Kurset er rettet mod studerende, der ønsker kompetence inden for avancerede inversionsmetoder og maskinlæring inden for rum- og geofysik,
Sidst opdateret
02. maj, 2024