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。

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，以及如何使用GPU进行模型运算。

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，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。

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

4.2.2 LSTM方法原理介绍

4.2.3 LSTM方法预测气象序列数据

4.3深度学习—卷积网络

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。