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和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。

第一章 Python和科学计算基础

1.Python入门和安装

①Python背景及其在气象中的应用

②Anaconda解释和安装以及Jupyter配置

③Python基础语法

2.科学数据处理基础库

①Numpy库②Pandas库③Scipy库④Matplotlib和Cartopy库⑤常用数据格式的IO

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。

第二章 机器学习和深度学习基础理论和实践

1.机器学习和深度学习基础理论

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

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.sklearn和pytorch库

①sklearn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

②pytorch介绍、搭建模型：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，以及如何使用GPU进行模型运算

第三章 气象领域中的机器学习应用实例

1.GFS数值模式的风速预报订正

①随机森林挑选重要特征

②K近邻和决策树模型订正风速

③梯度提升决策树GBDT订正风速

④模型评估与对比

2.台风预报数据智能订正

①CMA台风预报数据集介绍以及预处理

②随机森林模型订正台风预报

③XGBoost模型订正台风预报

④台风“烟花”预报效果检验

3.机器学习预测风电场的风功率

①lightGBM模型预测风功率

②调参利器—网格搜索GridSearch于K折验证

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学习的基础上，结合个例，并串讲一些机器学习常用技巧，将理论与实践结合。

第四章 气象领域中的深度学习应用实例

1.深度学习预测浅水方程模式

①浅水模型介绍和数据获取

②传统神经网络ANN学习浅水方程

③物理约束网络PINN学习浅水方程

2.LSTM方法预测ENSO

①ENSO简介及数据介绍

②LSTM方法原理介绍

③LSTM方法预测气象序列数据

3.深度学习—卷积网络

①卷积神经网络介绍

②Unet进行雷达回波的预测

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。

关 注【科研充电吧】公 众 号，获取海量教程和资源