Õppeaine eesmärk on:
- tutvustada erinevaid suurandmete andmeformaate ja tööriistu nende kasutamiseks;
- õpetada suurandmete esmast töötlust;
- õpetada masinõppe meetodite rakendamist suurandmete analüüsimisel.

The aim of this course is to:
- to introduce different bigdata formats and tools to manipulate the data;
- to teach preliminary data management and editing tools;
- to introduce AI application in earthscience data and methods for the basic data analysis.

Aine läbinud üliõpilane:
- teab suuremaid rahvusvahelisi keskkonnaandmete repositooriume ning oskab neist andmeid alla laadida;
- oskab kasutada esmaseid andmete visualiseerimise vahendeid;
- oskab kasutada tööriistu suurandmete töötlemiseks ning keskkondi nende haldamiseks;
- tunneb ja oskab rakendada erinevaid interpoleerimismeetodeid;
- suudab klassifitseerida geograafilisi piirkondi ning perioode teatud tunnuste järgi, kasutades lihtsamaid masinõppel põhinevaid meetodeid;
- oskab valmistada andmestike sisendandmeks masinõppe rakendustele.

After completing this course the student:
- knows the largest environmental bigdata repositories and can efficiently acquire big datasets;
- knows how to use commandline tools for the bigdata and how to efficiently manage the software repositories;
- can perform simple geospatial classification of the data;
- knows different data interpolation methods;
- can create proper input data for the machine learning applications.

Õppeaine käigus omandab õpilane kogemusi ruumiliste suurandmete (satelliit kaardid, numbriliste mudelite suurandmed, konsolideeritud in situ vaatlused, jne...) esmaseks töötluseks. Õpilastele tutvustatakse erinevaid andmeformaate ning rahvusvahelisi andmerepositooriume. Andmetöötluseks kasutatakse tsentraalselt hallatavat arvutusmasinat, mis annab algteadmised töötamaks käsurea kaudu suurtes arvutuskeskustes.

During the course student acquires skills to work with geospatial big data (sattelite images, gridded data from numerical models, combined in situ databases, etc ... ). Course introduces different data formats and international data repositories for open data.

Kodutöid ( 5 ) hinnatakse vahemikus 0 ... 1. Lisaülesannete eest on võimalik teenida lisaks 20%.
Arvestuse saamiseks tuleb kõikide kodutööde eest kokku koguda 4 punkti, tingimusega, et kõik tööd on sooritatud 80% ulatuses.

The home assignments are evaluated using a score from 0 to 1. The additional tasks can increase the score by 20%. To pass the course the student must gather a total of 4 points with the condition that all assignments have to be completed with 80%.

-

-

- Ray Abernathey, 2021, An Introduction to Earth and Environmental Data Science
https://earth-env-data-science.github.io/intro.html
- Dave Heslop, 2021, An Introduction to MATLAB for Geoscientists
- Introduction to the Mathematical Marine Ecology
https://mathmarecol.github.io/Welcome/index.html

-