0

    Python机器学习与深度学习的基本理论学习和实操2.1

    1年前 | admin | 82次围观

    Python是功能强大、免费、开源,实现面向对象的编程语言,在数据处理、科学计算、数学建模、数据挖掘和数据可视化方面具备优异的性能,这些优势使得Python在气象、海洋、地理、气候、水文和生态等地学领域的科研和工程项目中得到广泛应用。可以预见未来Python将成为的主流编程语言之一。

    人工智能和大数据技术在许多行业都取得了颠覆式的成果,气象和海洋领域拥有海量的模式和观测数据,是大数据和人工智能应用的天然场景。Python也是当前进行机器学习深度学习应用的最热门语言。对于的气象海洋领域的专业人员,Python是进行机器学习和深度学习工作的首选。

    风速预测程序_风电场风速预测方法研究_短期风速预测时间

    【内容简述】:

    专题一:Python和科学计算基础

    1.1 Python入门和安装

    1.1.1 Python背景及其在气象中的应用

    1.1.2 Anaconda解释和安装以及Jupyter配置

    1.1.3 Python基础语法

    1.2 科学数据处理基础库

    1.2.1 Numpy库

    1.2.2 Pandas库

    1.2.3 Scipy库

    1.2.4 Matplotlib和Cartopy库

    1.2.5常用数据格式的IO

    掌握基于Anaconda配置python环境,以及使用Jupyterlab开发和调试代码。在了解了python的基础语法后,学习常用的科学计算和可视化库,如Numpy、Pandas和Matplotlib等。打好基础,机器学习数据预处理和结果展示将手到擒来。

    风速预测程序_短期风速预测时间_风电场风速预测方法研究

    专题二:机器学习和深度学习基础理论和实操

    2.1 机器学习和深度学习基础理论

    2.1.1机器学习基本理论

    基础学习的基本知识,如误差反向传播、梯度下降法,以及机器学习的整个常规流程。

    2.1.2深度学习基本理论

    深度学习基本理论,如卷积神经网络CNN、循环神经网络RNN和生成式对抗网络。

    2.1.3机器学习与深度学习在气象中的应用

    AI在气象模式订正、短临预报、气候预测等场景的应用,以及深度学习降尺度和PINN内嵌物理神经网络介绍。

    2.2 sklearn和pytorch库

    2.2.1 sklearn介绍、常用功能和机器学习方法

    学习经典机器学习库sklearn的常用功能,如鸢尾花、手写字体等公开数据集的获取、划分训练集和测试集、模型搭建和模型验证等。

    2.2.2 pytorch介绍、搭建模型

    学习目前流行的深度学习框架pytorch,了解张量tensor、自动求导、梯度提升等,以BP神经网络学习sin函数为例,掌握如何搭建单层和多层神经网络风速预测程序,以及如何使用GPU进行模型运算。

    风电场风速预测方法研究_短期风速预测时间_风速预测程序

    风电场风速预测方法研究_短期风速预测时间_风速预测程序

    专题三:气象领域中的机器学习应用实例

    3.1 GFS数值模式的风速预报订正

    3.1.1 随机森林挑选重要特征

    3.1.2 K近邻和决策树模型订正风速

    3.1.3梯度提升决策树GBDT订正风速

    3.1.4 模型评估与对比

    3.2 台风预报数据智能订正

    3.2.1 CMA台风预报数据集介绍以及预处理

    3.2.2 随机森林模型订正台风预报

    3.2.3 XGBoost模型订正台风预报

    3.2.4 台风“烟花”预报效果检验

    3.3机器学习预测风电场的风功率

    3.3.1 lightGBM模型预测风功率

    3.3.2调参利器—网格搜索GridSearch于K折验证

    本专题风速预测程序,在详细讲解机器学习常用的两类集成学习算法,Bagging和Boosting,对两类算法及其常用代表模型深入讲解的基础上,结合三个学习个例,并串讲一些机器学习常用技巧,将理论与实践结合。

    风速预测程序_短期风速预测时间_风电场风速预测方法研究

    专题四:气象领域中的深度学习应用实例

    4.1深度学习预测浅水方程模式

    4.1.1 浅水模型介绍和数据获取

    4.1.2 传统神经网络ANN学习浅水方程

    4.1.3 物理约束网络PINN学习浅水方程

    4.2 LSTM方法预测ENSO

    4.2.1 ENSO简介及数据介绍

    4.2.1 LSTM方法原理介绍

    4.2.2 LSTM方法预测气象序列数据

    4.3深度学习convLSTM

    4.3.1卷积神经网络介绍

    4.3.2 Unet进行雷达回波的预测

    本专题,在学习使用ANN预测浅水方程的基础上,进一步掌握如何使用PINN方法,将动力方程加入模型中,缓解深度学习的物理解释性差的问题。此外,气象数据是典型的时空数据,学习经典的时序预测方法LSTM,以及空间卷积算法UNET。

    风电场风速预测方法研究_短期风速预测时间_风速预测程序

    风速预测程序_风电场风速预测方法研究_短期风速预测时间

    发表评论