Si tienes cuenta en Github, no olvides darle una estrella al proyecto para que siga creciendo ⭐
Contacto: [email protected] | Linkedin | Github
Ingresa a la aplicación haciendo clic aquí ☞
Puedes descargar todo el contenido del proyecto haciendo clic aquí ☞
Este proyecto académico fue creado con la finalidad de facilitar el aprendizaje en Python para estudiantes y profesionales en el campo de la Geología y ramas afines.
Desarrollando un pensamiento algorítmico, aprenderás a usar código en Python para la solución de problemas en Geología.
Es recomendable tener conocimientos previos en geología general, estadística y álgebra lineal.
También es importante tener perseverancia para aprender cada tema y creatividad para resolver problemas.
Todos los capítulos están disponibles dentro del repositorio como notebooks de Jupyter .ipynb.
Es recomendable descargar el contenido del repositorio y usarlo como plantilla para desarrollar tus propios notebooks.
La mayoría de notebooks están listos (✔️), pero algunos todavía están en desarrollo (⏳).
- Fundamentos de programación geológica
- PG001 - Fundamentos de Python
- Variables geológicas ✔️
- ¿Cómo mostrar un resultado en Python? ✔️
- Lógica computacional ✔️
- Estructuras de datos ✔️
- Automatización de tareas en Geología ✔️
- Programación orientada a objetos ✔️
- Palabras reservadas en Python ✔️
- PG002 - Librerías fundamentales de Python
- Numpy ✔️
- Pandas ✔️
- Matplotlib ✔️
- SQLite - Bases de datos ✔️
- Midiendo el tiempo con Python ✔️
- PG003 - Librerías de automatización
- Interactividad en Python ✔️
- Procesando PDFs en Python ✔️
- Automatización de reportes ✔️
- PG099 - Ejercicios de programación geológica ✔️
- PG099 - Ejercicios de programación geológica (Solucionario) ✔️
- PG001 - Fundamentos de Python
- Estadística y Matemática
- PG101 - Fundamentos de Estadística
- Estadística descriptiva ✔️
- Variables aleatorias ✔️
- Estadística inferencial ⏳
- Bootstrap ✔️
- Simulación de Montecarlo ✔️
- Datasaurus ✔️
- PG102 - Análisis de datos en Geología
- Análisis descriptivo ✔️
- Análisis exploratorio de datos ⏳
- Análisis inferencial ⏳
- PG103 - Visualización de datos en Geología
- Seaborn ✔️
- Plotly ✔️
- Visualización de datos ✔️
- Visualización de sondajes en 3D ✔️
- Visualización de un modelo de bloques en 3D ✔️
- PG101 - Fundamentos de Estadística
- Ciencia de datos y Machine Learning
- PG200 - Fundamentos de Machine Learning ✔️
- Descenso del Gradiente ✔️
- PG201 - Aprendizaje supervisado
- Regresión lineal ✔️
- Regresión logística ✔️
- Árboles de decisión (DT) ✔️
- Random Forest (RF) ✔️
- Support Vector Machine (SVM) ⏳
- K-Nearest Neighbors (KNN) ⏳
- Extreme Gradient Boosting (XGBoost) ✔️
- PG202 - Aprendizaje no supervisado
- Análisis de componentes principales (PCA) ✔️
- Clustering con K-means ⏳
- PG203 - Deep Learning
- Fundamentos de Deep Learning ⏳
- Redes neuronales desde cero ✔️
- Autoencoders (AE) ⏳
- Generative Adversarial Networks (GAN) ⏳
- PG200 - Fundamentos de Machine Learning ✔️
- Aplicaciones en Geología
- PG301 - Geoestadística
- Introducción al Variograma ✔️
- Variograma 1D ✔️
- Declustering ✔️
- PG302 - Geoquímica
- Pyrolite ✔️
- Diagramas ternarios ⏳
- Diagrama de clasificación QAP ⏳
- PG303 - Análisis geoespacial
- Shapely ✔️
- Geopandas ✔️
- Rioxarray ✔️
- Leafmap ✔️
- Geoherencia ⏳
- PG304 - Geofísica
- Anomalía de Bouguer ⏳
- Intensidad magnética total y residual ⏳
- Intensidad radiométrica ⏳
- PG305 - Geología económica y Exploración mineral
- Introducción a la Geología Económica ⏳
- Bases de datos - Sondajes ✔️
- Mapeo de prospectividad mineral ⏳
- PG306 - Estratigrafía y Sedimentología
- StratiLib - Columnas estratigráficas ✔️
- PG307 - Geología estructural y Geomecánica
- Mplstereonet ✔️
- Estimación de la probabilidad de fallo en un talud ✔️
- PG308 - Geología del Petróleo
- Introducción a la Geología del Petróleo ⏳
- Petrofísica ⏳
- Visualización de registros de pozo ✔️
- PG301 - Geoestadística
- Plantilla para visualizar sondajes en 3D ✔️
El proyecto contiene documentos en formato .ipynb y se pueden abrir de las siguientes formas:
- A través de un navegador web, usando la aplicación de
Google Colab. - Usando
Binder, una aplicación web que permite ejecutar código arbitrario dentro de un entorno virtual (similar aGoogle Colab). - A través de un editor de código instalado en tu computadora, como por ejemplo:
Jupyter Lab,Jupyter NotebookoVisual Studio Code.
Si no tienes instalado Python, puedes seguir las indicaciones del archivo instalar_python.ipynb.
- Barbieri, R., Garelik, C. (2022). La matemática y las geociencias. Editorial UNRN (pp. 15 y 136).
- Bhattacharya, S. (2021). A Primer on Machine Learning in Subsurface Geosciences.
- GEOROC (2023). Geochemistry of Rocks of the Oceans and Continents. Geoscience Centre Göttingen, Germany.
- Kinsley, H., & Kukiela, D. (2020). Neural Networks from Scratch in Python. Sentdex.
- Mälicke, M. (2022). SciKit-GStat 1.0: a SciPy-flavored geostatistical variogram estimation toolbox written in Python. European Geosciences Union, Volume 15, issue 6. Institute for Water and River Basin Management, Karlsruhe Institute of Technology (KIT), Karlsruhe, Germany.
- Marsden, Eric. (2021). Monte Carlo simulation for estimating slope failure risk.
- Merlino, Rubens (2022). Stratilib.
- Petrelli, M. (2021). Introduction to Python in Earth Science Data Analysis. Repositorio en Github.
- Petrelli, M. (2023). Machine Learning for Geosciences
- Prieto Gómez, G. (2024). Introducción a Python para geociencias. Universidad Nacional de Colombia, Sede Bogotá, Facultad de Ciencias.
- Pyrcz, M. (2021). Python Numerical Demos.
- Suarez-Burgoa, L. (2017). Matematización de la geología. Boletín de Ciencias de la Tierra 41 (pp. 30 - 38). Universidad Nacional de Colombia.
- Trauth, M. (2022). Python Recipes for Earth Sciences. Institute of Geosciences, University of Potsdam, Potsdam, Brandenburg, Germany.
- Wu, Qiusheng (2023). Leafmap Geopython Tutorials.
