Python은 데이터 처리, 과학 컴퓨팅, 수학적 모델링, 데이터 마이닝 및 데이터 시각화에서 탁월한 성능을 발휘하는 강력한 무료 오픈 소스 객체 지향 프로그래밍 언어입니다. 이러한 장점으로 인해 Python은 기상학, 해양학, 지리학 및 기후 그것은 지구과학, 수문학 및 생태학 분야의 과학 연구 및 엔지니어링 프로젝트에 널리 사용되었습니다. 앞으로 Python이 주류 프로그래밍 언어 중 하나가 될 것으로 예상됩니다.
인공 지능 및 빅 데이터 기술은 많은 산업에서 파괴적인 결과를 얻었으며 기상 및 해양 분야에는 빅 데이터 및 인공 지능 응용 프로그램의 자연스러운 시나리오인 방대한 모델 및 관측 데이터가 있습니다. Python은 현재 기계 학습 및 딥 러닝 응용 프로그램에서 가장 많이 사용되는 언어이기도 합니다. 기상학 및 해양학 분야의 전문가에게 Python은 머신 러닝 및 딥 러닝 작업을 위한 첫 번째 선택입니다.
[원본 링크]: 기상학에서 파이썬 인공지능의 실용화 기술
[방법]: 온라인 + 영구 재생 + Q&A 그룹 지원 + 코스웨어 전체 세트
【소개】:
주제 1, Python 및 과학적 컴퓨팅의 기초:
1. Python 소개 및 설치
- Python의 배경과 기상학에 대한 응용
- Anaconda 해석 및 설치 및 Jupyter 구성
- 파이썬 기본 구문
2. 과학적 데이터 처리 기본 라이브러리
- Numpy 라이브러리
- 팬더 라이브러리
- 사이피 라이브러리
1 ) M a tplo t lib 및 Cart opy 라이브러리 _ _ _
2) 공통 데이터 형식의 IO
Anaconda를 기반으로 Python 환경 구성을 마스터하고 Jupyterlab을 사용하여 코드를 개발하고 디버그합니다. Python의 기본 구문을 이해한 후 Numpy, Pandas, Matplotlib 등 일반적으로 사용되는 과학 컴퓨팅 및 시각화 라이브러리를 학습합니다. 좋은 기반을 마련한 후 기계 학습 데이터 전처리 및 결과 표시가 손끝에 있습니다.
주제 2, "머신러닝과 딥러닝의 기본 이론과 실습":
1. 머신러닝과 딥러닝의 기초이론
1) 기계학습의 기초이론
오류 역전파, 경사 하강법, 기계 학습의 전반적인 전체 과정과 같은 기본 학습에 대한 기본 지식.
2) 딥러닝의 기초이론
Convolutional Neural Network CNN, Recurrent Neural Network RNN 및 Generative Adversarial Network와 같은 딥러닝의 기본 이론.
3) 머신러닝과 딥러닝의 기상학 응용
기상 모델 수정, 단기 예보, 기후 예측 및 기타 시나리오에 AI를 적용하고 딥 러닝 축소 및 PINN 임베디드 물리적 신경망을 도입합니다.
2. sklearn 및 pytorch 라이브러리
1) sklearn 소개, 공통 기능 및 기계 학습 방법
붓꽃, 손글씨체 등의 공용 데이터 세트 획득, 훈련 세트와 테스트 세트의 구분, 모델 구축 및 모델 검증 등 고전적인 머신러닝 라이브러리인 sklearn의 공통 기능을 학습합니다.
2) pytorch 및 모델 구축 소개
현재 널리 사용되는 딥 러닝 프레임워크인 pytorch를 배우고, 텐서 텐서, 자동 유도, 기울기 승격 등을 이해하고, BP 신경망 학습 sin 함수를 예로 들어, 단일 계층 및 다중 계층 신경망을 구축하는 방법과 모델 계산에 GPU를 사용합니다. 주제 3. "기상 분야에서 기계 학습의 응용 사례":
1. GFS 수치모델의 풍속예보 보정
1) 중요 기능의 무작위 숲 선택
2) 풍속 보정을 위한 K개의 최근접 이웃 및 결정 트리 모델
3) 그래디언트 부스팅 결정 트리 GBDT는 풍속을 보정합니다. 3.1.4 모델 평가 및 비교
2. 태풍 예보 데이터의 지능형 보정
1) CMA 태풍 예보 데이터셋 도입 및 전처리
2) 랜덤 포레스트 모델이 태풍 예보를 보정함
3) XGBoost 모델로 태풍 예보 수정
4) 태풍 "불꽃" 예보 효과 테스트
3. 기계 학습으로 풍력 발전소의 풍력 발전 예측
1) lightGBM 모델은 풍력을 예측합니다.
2) 매개변수 조정을 위한 날카로운 도구 - K-fold 검증을 위한 GridSearch
본 주제에서는 머신러닝에서 흔히 사용되는 두 가지 앙상블 학습 알고리즘인 Bagging과 Boosting에 대해 자세히 설명하는 것을 바탕으로, 두 가지 알고리즘과 이들이 흔히 사용하는 대표적인 모델에 대한 심층적인 설명을 바탕으로, 세 가지 학습 예제와 몇 가지 일반적인 기계 학습 기술에 대해 시리즈로 이야기하고 이론과 실습을 결합합니다.
주제 4. "기상학 분야의 딥러닝 응용 사례":
1. 딥 러닝으로 얕은 물 방정식 모델 예측
1) 천해 모델 도입 및 데이터 획득
2) 전통적인 신경망 ANN은 얕은 물 방정식을 학습합니다.
3) 물리적 제약 네트워크 PINN 학습 얕은 물 방정식
2. ENSO 예측을 위한 LSTM 방법
1) ENSO 도입 및 데이터 도입
2) LSTM 방법의 원리 소개
3) 기상 시퀀스 데이터를 예측하기 위한 LSTM 방법
3. 딥 러닝 - 컨볼루션 네트워크
1) 합성곱 신경망 소개
2) Unet은 레이더 에코를 예측합니다.
이 항목에서는 ANN을 사용하여 얕은 수심 방정식을 예측하는 방법을 학습하는 것을 기반으로 PINN 방법을 사용하여 모델에 동적 방정식을 추가하여 심층 학습의 물리적 해석이 좋지 않은 문제를 완화하는 방법을 더 숙달합니다. 또한 기상 데이터는 대표적인 시공간 데이터로, 고전적인 시계열 예측 방법인 LSTM과 공간 컨볼루션 알고리즘인 UNET을 배운다.