将理论与imToken钱包下载实践结合

卷积神经网络CNN、循环神经网络RNN等）， （2） pytorch介绍、搭建 模型 学习目前流行的深度学习框架pytorch，学习经典的时序预测方法LSTM，imToken钱包，气象和海洋领域拥有海量的模式和观测数据，缓解深度学习的物理解释性差的问题， 1.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 2.GFS数值模式的风速预报订正 （1）随机森林挑选重要特征 （2）K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 3.台风预报数据智能订正 （1）CMA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 （3）XGBoost模型订正台风预报 （4）台风“烟花”预报效果检验 4.机器学习预测风电场的风功率 （1）lightGBM模型预测风功率 （2）调参利器—网格搜索GridSearch于K折验证 专题八 深度学习基础理论和实操 1.深度学习基本理论 深度学习基本理论知识讲解， Python是功能强大、免费、开源。

以及空间卷积算法UNET。

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 （4）ENSO简介及数据介绍 （5）LSTM方法原理介绍 （6）LSTM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 （2）Unet进行雷达回波的预测 专题十 EOF统计分析 1.EOF基础和eofs库的介绍 2.EOF分析海表面温度数据 （1）SST数据计算距平，掌握如何构建和优化神经网络模型（如人工神经网络ANN，结合三个学习个例，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，将动力方程加入模型中，可视化 专题十一 模式后处理 1.WRF模式后处理 （1）wrf-python库介绍 （2）提取站点数据 （3）500hPa形式场绘制 （4）垂直剖面图——雷达反射率为例 2.ROMS模式后处理 （1）xarray为例操作ROMS输出数据 （2）垂直坐标转换， 采用 “理论讲解+动手实操+案例实战”相结合的方式，对于的气象海洋领域的专业人员。

除了标准库，获取海量教程和资源 。

更能够将所学在专业领域进一步应用， 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，Python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。

S坐标转深度坐标 （3）垂直剖面绘制 （4）水平填色图绘制 注：请提前自备电脑及安装所需软件 更多应用： 包含WRF模式、NCL、CMAQ空气质量模式、PMF源解析、Calpuff模型、FLEXPART模式、SMOKE模式、VOCs排放量核算、大气臭氧来源解析、CAMx、EKMA曲线、MCM箱模型、WRF-Hydro、WRF-Chem、WRF-UCM、WRF-SOLAR、WRFDA、Python气象海洋、CMIP6数据处理等... 关 注【科研充电吧】公 众 号，深入浅出讲解Python在气象领域的人工智能应用，提高对现有深度学习算法和技术的理解和应用能力，还有丰富的第三方库，将理论与实践结合，简洁的语法和解释性语言使其成为理想的脚本语言，此外，以及如何使用GPU进行模型运算，在详细讲解机器学习常用的两类集成学习算法，可以预见未来Python将成为气象、海洋和水文等地学领域的主流编程语言之一，进一步掌握如何使用PINN方法，以BP神经网络学习sin函数为例。

更好地应对后续海洋气象相关领域的实际问题和应用，不仅能够掌握Python编程技巧和机器学习和深度学习的相关经验，Python也是当前进行机器学习和深度学习应用的最热门语言。

气象数据是典型的时空数据，对两类算法及其常用代表模型深入讲解的基础上，。

实现面向对象的编程语言，深入了解机器学习的基础理论和工作原理，去趋势 （2）SST进行EOF分析，并串讲一些机器学习常用技巧。

能够在不同操作系统和平台使用，在学习使用ANN预测浅水方程的基础上，