리스크 분석을 위한 AI와 머신러닝: 기초와 실무
- 단계
- L2 중급
- 학습 시간
- 약 24시간(계획 추정치)
- 상태
- 계획됨
- 선수 조건
- 해당 분야의 L1 과정 또는 입문 심사
Machine learning weather models (GraphCast, 2023; GenCast, 2024) now match or beat physics ensembles on many scores, ECMWF runs its AIFS operationally since 2025, and AI flood forecasting reaches ungauged basins, so risk analysts must know when to trust these models.
Science, Learning skillful medium-range global weather forecasting (Lam et al.),
학습 성과
- Define emulator and the other key terms of the discipline and use them correctly in a written case
- Explain supervised learning for risk outcomes and emulators and surrogates of physical and catastrophe models with a worked example and its source
- 학문 분야의 방법을 문서화된 사례에 적용하고 각 결과를 출처와 함께 설명합니다
- Analyse a named case against uncertainty quantification in machine learning, stating evidence, date and limits
모듈
-
리스크 결과를 위한 지도학습
- 리스크 결과를 위한 지도학습
- Emulators and surrogates of physical and catastrophe models
- Uncertainty quantification in machine learning
-
Conformal prediction and distribution-free coverage
- Conformal prediction and distribution-free coverage
- Anomaly detection and change detection
- 지리공간 파운데이션 모형과 위성 임베딩
-
인과추론과 기계학습
- 인과추론과 기계학습
- 머신러닝의 검증, 드리프트 모니터링 및 모델 리스크
- Fairness and bias in risk models
-
랩: 학문 분야의 방법
- 학습된 모델은 아무런 보증 없이 점 예측값만 제공합니다. 보정용 데이터를 따로 떼어 두고 잔차의 순위를 매긴 뒤 분위수를 취하면, 모델에 대한 어떠한 가정 없이도 포괄 범위가 보장되는 구간으로 예측을 감쌀 수 있으며, 보정 데이터의 크기가 그 보장의 엄밀도를 좌우합니다.
- 문서화된 사례를 통해 방법을 적용하고 각 결과를 설명합니다
- 방법의 출처와 명시된 값 읽기
Academy 도구를 활용한 랩
방법
- 학습된 모델에서 보장된 포함률의 구간까지: 잔차, 컨포멀 분위수, 사용자가 믿을 수 있는 포함률분야 페이지에 실린 해당 분야의 방법론을, 인용 출처와 함께 문서화된 사례로 풀어 설명합니다
도구
트윈 빌더
- 디지털 트윈 빌더학부의 장소를 3D로 구축하고, 레이어를 전환하며, 각 레이어의 출처 표기와 날짜를 확인합니다
지도 레이어
- 규모 4.5 이상 지진, 지난 1주(USGS)Academy의 라이선스 등록부가 승인한 개방형 지도 레이어로, 지도 도구에서 읽습니다
- 인구 밀도, 2020년(GPW v4.11)Academy의 라이선스 등록부가 승인한 개방형 지도 레이어로, 지도 도구에서 읽습니다
- 자연 사건(NASA EONET)Academy의 라이선스 등록부가 승인한 개방형 지도 레이어로, 지도 도구에서 읽습니다
Foundry 룸
- 실험 룸, NXS-LAB모델을 보류된 사건에 대해 검증하는 통제 실험
- Benchmarks room, NXS-LABBenchmarks that compare learned and physical models on the same task
평가
- 40%
랩 기록
문서화된 사례를 통해 학문 분야의 방법을 적용하고 각 결과를 출처 및 날짜와 함께 설명합니다
- 40%
사례 메모
학문 분야의 방법을 특정 장소나 조직에 적용하고 근거와 한계를 밝힙니다
- 20%
핵심 용어 확인
핵심 용어에 대한 단답형 문항으로, 정의에 따라 채점합니다
운영 방식
- 자기 주도 온라인 학습, 브라우저에서 진행하는 랩
- 여섯 주에서 여덟 주에 걸친 코호트 학습과 주간 랩 검토
- 파트너 기관과 공동으로, 해당 기관의 자체 과정 안에서 운영
이 과정의 파트너 되기
- 모듈을 공동으로 가르치고 업무에서 얻은 최근 사례를 가져오십시오
- 학습자를 위한 코호트를 자체 일정과 검토로 운영하기
- 랩 기여하기: 기관이 공개적으로 게시하는 데이터셋 또는 모형
- 공개 전에 과정 내용과 참고문헌을 검토하기
- 과정을 번역하고 사례를 지역에 맞게 조정하기
Academy LMS에서
- Course on the learning platform
- Intermediate, 4 sections
- 코호트 그룹
- A community group for each cohort of learners
- 성과
- Recorded on completion of the assessed work