随着大数据和人工智能技术的快速发展，地球科学、生态学、环境科学等领域的研究方式正在发生深刻变革。传统统计方法难以处理复杂的高维、非线性数据，而机器学习与深度学习为解决这些问题提供了新思路。尤其是大模型的出现，进一步提升了遥感反演、气候模拟等任务的效率和精度。
面向自然科学领域的研究生和科研人员，系统讲解机器学习与深度学习的常用方法（如随机森林、XGBoost、CNN、LSTM、Transformer等），并重点介绍它们在科研中的实际应用，包括数据处理、不确定性分析、模型解释和时空预测等。此外，课程还将探讨如何利用大模型和生成模型（如GAN、扩散模型）提升小样本学习和数据模拟能力。
以实际问题为导向，通过环境、气象、水文等领域的典型案例，快速掌握从算法到科研应用的核心技能。
专题一、科研数据类型与预处理
夯实建模起点：理解模型本质，规范预处理流程
1.数据尺度分类：名义数据、有序数据、定距数据、比率数据
2.多维数据结构：时间序列、纵向数据、空间场数据、面板数据以及内生/外生变量辨析
3.缺失值处理：基于统计的插补，多重插补
4.异常值处理：基于统计的异常值处理，基于模型的异常值处理
5.特征工程以及高级特征构造：熵、Hurst指数、滑动统计量
案例分析与实践（一）
专题二、模型评估、验证与不确定性量化
科研可信度的基石：不止于准确率
1.交叉验证与K折检验
2.性能指标体系：MAE、RMSE、R²与交叉熵
3.不确定性来源：数据、参数、结构、情景
- 模型诊断：残差分析、AUC
5.贝叶斯统计学：置信区间与可信区间
案例分析与实践（二）
专题三、高维与复杂结构数据降维
从高维噪声中提取主导模态
1.主成分分析（PCA）
2.奇异值分解（SVD）与低秩逼近
3.经验模态分解（EMD）与 Hilbert 谱
4.季节分解（STL）
5.非负矩阵分解（NMF）用于源解析
6.独立成分分析（ICA）与核 ICA
7.正交经验分解（EOF）
案例分析与实践（三）
专题四、时频分析与谱方法
揭示周期、突变与多变量协同机制
1.傅里叶变换与功率谱密度
2.小波变换与局部时频表征
3.互谱、相干性与相位同步
4.Hilbert-Huang 变换（HHT）处理非平稳信号
5.多元小波相干分析
案例分析与实践（四）
专题五、高级回归建模：超越线性假设
超越线性假设，适配多样响应类型
1.线性回归与指数族
2.广义线性模型（GLM）：泊松、负二项、Gamma、零膨胀
3.分位数回归：刻画条件分布全貌
4.非参数回归：核平滑、局部多项式
5.正则化：如果观测值太少怎么办?Lasso、Ridge、Elastic Net、LARS
案例分析与实践（五）
专题六、机器学习核心算法
高精度预测与非线性预测工具箱
1.决策树与随机森林
2.梯度提升树：XGBoost、LightGBM、CatBoost
3.支持向量机（SVM）与核函数选择
4.堆叠集成（Stacking）与超参数调优
案例分析与实践（六）
专题七、可解释人工智能（XAI）
让模型"说出理由"：支持科学归因与机制推断
1.全局解释：变量重要性、部分依赖图（PDP）、SHAP
2.局部解释：高级SHAP（Tree/Kernel/Conditional）、LIME
3.交互效应量化：H 统计量、SHAP 交互值
4.对抗可解释性陷阱：相关≠因果、特征泄露警示
案例分析与实践（七）
专题八、深度学习：感知与表征
处理图像与光谱
1.多层感知机（MLP）与激活函数选择
2.自编码器（AE）与变分自编码器（VAE）
3.卷积神经网络（CNN）：LeNet → ResNet
4.U-Net 架构：语义分割与边界保持
案例分析与实践（八）
专题九、深度学习进阶：序列、生成与注意力
建模动态演化、生成模拟与长程依赖
1.RNN / LSTM / GRU：记忆机制对比
2.Attention 机制原理
3.Transformer 与 Swin Transformer
4.生成对抗网络（GAN）用于数据增强与反演
5.扩散模型讲解
案例分析与实践（九）
专题十、时空数据建模技术
专门应对自然系统的核心挑战：时空依赖与耦合
1.克里金插值
2.时空分解：STL 扩展、动态 EOF
3.ConvLSTM、PredRNN 等时空预测架构
4.Transformer 在时空序列中的应用（如 TimeSformer）
案例分析与实践（十）
点赞+关注私信