Machine Learning appliqué aux géosciences et à la mine

• Définir des domaines géologiques et géométallurgiques par apprentissage non supervisé, et évaluer la qualité des regroupements obtenus.
• Construire, valider et régler des modèles supervisés et reconnaître le moment où un modèle est prêt à être appliqué.
• Prédire teneurs et lithologies par réseaux de neurones, avec le Deep Kriging.
• Enchaîner la chaîne de traitement complète, de Python et scikit-learn jusqu’à Isatis.neo.

Cette formation suppose que vous maîtrisez la géologie et la géostatistique ; elle vous apprend le machine learning.

Elle s’adresse aux géologues ressources et géomodélisateurs qui définissent des domaines et estiment des teneurs ; aux géologues d’exploration qui travaillent sur la classification lithologique et le ciblage ; aux géométallurgistes qui construisent des modèles de domaines à partir de données de procédé ; aux géostatisticiens qui souhaitent prolonger leurs méthodes au-delà du krigeage ; ainsi qu’aux consultants, chercheurs et doctorants travaillant sur l’estimation de ressources minérales.

Des bases en statistique, en algèbre et en géostatistique sont nécessaires. Python est un plus, sans être requis : la formation s’ouvre par une introduction au langage.

• Approche équilibrée. Théorie et applications pratiques, pour que les concepts soient compris autant que mis en œuvre.
• Exercices sur logiciel. Travaux pratiques sous Isatis.neo, sur des jeux de données réels.
• Suivi individualisé. Accompagnement et retours des formateurs tout au long des sessions en ligne.
• Ressources complètes. Licence logicielle temporaire, documentation, fichiers journaux et jeux de données à conserver et à réutiliser après la formation.

Des bases en statistique, en algèbre et en géostatistique sont recommandées. La connaissance de Python est optionnelle.