Обсуждаем оптимизацию работы с данными с помощью ПО

Площадка для для обмена опытом и практиками для специалистов
Официальный спонсор Digital Petroleum
Ближайший семинар — 27 декабря 2024
Геометаллургия, нейронные сети и практический опыт применения с использованием современных программных решений
Мальцев Евгений
Смотреть
О нашем семинаре

Площадка нацелена раскрыть тему применения алгоритмов машинного обучения и других методов, которые связаны с программированием для повышения эффективности в области обработки, подготовки и интерпретации данных.

С помощью нашего семинара мы хотим поделиться своим опытом и практиками внедрения новых решений между специалистами.

Темы, которые мы затрагиваем:

  • — Обзор статей по применению машинного обучения в разных отраслях и на разных масштабах
  • — Практическое применение машинного обучения в различных задачах
  • — Создание скриптов и ПО для анализа и подготовки данных
  • — Программное обеспечение с элементами машинного обучения
Хочу выступить

Если у вас есть интересный доклад в рамках нашей тематики, будем рады услышать вас!

Чтобы стать спикером, напишите нам

Обзор статей

23.02.23
Использование машинного обучения для прогнозирования показателей зоны потока и классификации гидравлических единиц // Utilizing machine learning for flow zone indicators prediction and hydraulic flow unit classification
  • • Статья представляет собой исследование, посвященное применению машинного обучения для прогнозирования индикатора зоны потока (FZI) и выделения гидравлических единиц (hydraulic flow units, HFU) в нефтяных скважинах.
  • • Рассматриваются различные методы машинного обучения, включая искусственные нейронные сети и метод K-средних.
  • • Исследование фокусируется на параметре FZI, который имеет ненормальное распределение.
  • • Для решения проблемы ненормального распределения используется подход к преобразованию значений FZI с использованием логарифмической шкалы.
23.02.23
Использование машинного обучения для прогнозирования показателей зоны потока и классификации гидравлических единиц // Utilizing machine learning for flow zone indicators prediction and hydraulic flow unit classification
  • • Статья представляет собой исследование, посвященное применению машинного обучения для прогнозирования индикатора зоны потока (FZI) и выделения гидравлических единиц (hydraulic flow units, HFU) в нефтяных скважинах.
  • • Рассматриваются различные методы машинного обучения, включая искусственные нейронные сети и метод K-средних.
  • • Исследование фокусируется на параметре FZI, который имеет ненормальное распределение.
  • • Для решения проблемы ненормального распределения используется подход к преобразованию значений FZI с использованием логарифмической шкалы.

Архив семинара

Ключевые спикеры
3 мая 2024, Nᵒ1302
Попиксельное определение геологических характеристик на изображении (от горных массивов до минералов)
Барабошкин Евгений Евгеньевич
Смотреть
2 июля 2024, Nᵒ1369
Разработка автоматизированной экспертной системы для прогнозирования гидротермальных полиметаллических месторождений на основе нейросетевых технологий
Гришков Георгий Андреевич, Устинов Степан Андреевич
Смотреть
9 июля 2024, Nᵒ1372
Применение программирования в геологии. Часть 1
Полушкин Сергей Васильевич
Смотреть
12 июля 2024, Nᵒ1373
Применение программирования в геологии. Часть 2
Лубинец Алексей, Потысьев Виктор
Смотреть
23 июля 2024, Nᵒ1360
Определение возраста пород с помощью палеонтологического анализа на основе методов искусственного интеллекта
Дьяконов Иван Валерьевич
Смотреть
18 октября 2024, Nᵒ1396
Применение программирования в геологии
Жидков Роман Юрьевич, Рекун Виталий Сергеевич, Романова Елизавета Романовна
Смотреть
8 ноября 2024, Nᵒ1430
Интерпретация глинистых песчаников в Python
Смотреть
Хочу предложить тему

Не нашли интересующую вас тему? Мы готовы рассмотреть ваше предложение.

Для этого напишите нам

Авторизуйтесь для просмотра страницы