Kompaktkurs Meeresvorhersage mit Machine Learning
Dieser Kompaktkurs bereitet Sie darauf vor, Machine-Learning-Modelle zu entwickeln, die Meeresgrößen wie Seegang, Meeresoberflächentemperatur und Meeresspiegel vorhersagen. Sie lernen, Zeitreihen und räumliche Daten aufzubereiten, baumbasierte Modelle, Gradient Boosting und neuronale Netze zu trainieren, sie mit numerischen Referenzvorhersagen zu vergleichen und gründlich zu validieren – und dabei ihre Vorteile ebenso wie ihre Grenzen gegenüber physikalischen Modellen zu verstehen.
Einstufung Ihrer Vorkenntnisse
Diese Kompetenzen vermittelt Ihnen das Programm. Markieren Sie diejenigen, die Sie bereits beherrschen, und wir zeigen Ihnen, welcher Teil des Lehrplans für Sie relevant ist.
Sie beginnen in diesem Fachgebiet bei null. Genau dafür ist das Programm konzipiert.
Was ist das Programm Kompaktkurs Meeresvorhersage mit Machine Learning?
Dieser Kompaktkurs verbindet Daten und künstliche Intelligenz für die Meeresvorhersage. Sie unterscheiden physikalische, statistische und Machine-Learning-Ansätze sowie Vorhersagehorizonte, bereiten Bojen- und Satellitendaten mit gleitenden Fenstern, Feature Engineering, zeitlicher Datenaufteilung, Normalisierung und Behandlung fehlender Werte auf und trainieren lineare Regression mit Regularisierung, Entscheidungsbäume, Random Forests und Gradient Boosting mit Hyperparameter-Tuning und Merkmalswichtigkeit. Danach setzen Sie dichte, rekurrente, LSTM- und konvolutionale neuronale Netze ein, korrigieren Ausgaben numerischer Modelle, erstellen probabilistische Vorhersagen und validieren sie mit Fehler- und Skill-Metriken gegenüber Referenzvorhersagen, auch bei Extremereignissen.
Was diesen Kompaktkurs auszeichnet: ein praxisnaher Ansatz mit Modellen, die auf offenen Meeresdaten trainiert werden, ein ehrlicher Vergleich der Ergebnisse mit physikalischen Referenzvorhersagen, gründliche Validierung mit Metriken und Verfahren für Zeitreihen, offene Werkzeuge wie Python, scikit-learn und Deep-Learning-Bibliotheken und ein Praxisfall, in dem Sie ein Vorhersagemodell für eine reale Größe und einen realen Standort entwickeln.
Highlights des Programms
- Praxisnaher Ansatz: Modelle, trainiert auf offenen Meeresdaten.
- Ehrlicher Vergleich: Ergebnisse geprüft an physikalischen Referenzvorhersagen.
- Gründliche Validierung: Metriken und Verfahren für Zeitreihen.
- Offene Werkzeuge: Python, scikit-learn und Deep-Learning-Bibliotheken.
- Neuronale Netze: rekurrente, LSTM- und konvolutionale Modelle für Reihen und Felder.
- Praxisfall: ein Vorhersagemodell für eine reale Größe und einen realen Standort.
Lehrplan des Programms Kompaktkurs Meeresvorhersage mit Machine Learning
5 Module. Wählen Sie ein Modul aus, um seine Inhalte zu sehen.
Grundlagen der Meeresvorhersage
- 1.1. Vorhergesagte Meeresgrößen
- 1.2. Numerische Referenzvorhersage
- 1.3. Klassische statistische Ansätze
- 1.4. Machine Learning für die Vorhersage
- 1.5. Vorhersagehorizonte und Skalen
Datenaufbereitung für die Vorhersage
- 2.1. Datenquellen von Bojen und Satelliten
- 2.2. Zeitreihen und gleitende Fenster
- 2.3. Feature Engineering
- 2.4. Zeitliche Datenaufteilung
- 2.5. Normalisierung und fehlende Werte
Machine-Learning-Modelle
- 3.1. Lineare Regression und Regularisierung
- 3.2. Entscheidungsbäume und Random Forests
- 3.3. Gradient Boosting
- 3.4. Hyperparameter-Tuning
- 3.5. Merkmalswichtigkeit
Neuronale Netze für den Ozean
- 4.1. Dichte neuronale Netze
- 4.2. Rekurrente Netze und LSTM
- 4.3. Konvolutionale Netze für räumliche Felder
- 4.4. Korrektur von Ausgaben numerischer Modelle
- 4.5. Probabilistische Vorhersage
Validierung und Anwendung
- 5.1. Fehler- und Skill-Metriken
- 5.2. Vergleich mit Referenzvorhersagen
- 5.3. Extremereignisse und Modellgrenzen
- 5.4. Bereitstellung eines einfachen Modells
- 5.5. Praxisfall: Seegangsvorhersage für einen Küstenabschnitt
Dauer und Format des Programms Kompaktkurs Meeresvorhersage mit Machine Learning
Das Programm umfasst 300 Stunden. Geben Sie an, wie viele Stunden Sie pro Woche investieren können, und wir sagen Ihnen, wann Sie tatsächlich fertig sind.
In diesem Tempo schließen die meisten Teilnehmenden ab. Es passt gut zum Ratenplan.
Akademische Leitung und Lehrkörper
Das Lehrteam von Navalis: aktive Fachleute aus der Praxis, die die Programme unterrichten und betreuen.
Dr. Marina AlcoverAkademische Direktorin und Leiterin des Qualitätsmanagements
Ing. Diego CifuentesProfessor für Schiffsschweißtechnik und zerstörungsfreie Prüfung; Leiter QA/QC für Schweißverbindungen
Kapt. Javier Abaroa (MCA)Professor für Schiffsführung, elektronische Navigation (ECDIS/Radar/ARPA) und GMDSS; Koordinator für STCW-Compliance und Bridge Resource Management
Dr. Pau FerrerProfessor für Schiffbau und Simulation; Leiter des Labors für Hydrodynamik und CFD
Dr. Nuria LlobregatProfessorin für maritime Meteorologie, SAR und Betriebssicherheit; Koordinatorin für nautisches Risikomanagement
Ing. Javier BañulsProfessor für Elektrotechnik, Automatisierung und ETO-Technik; Koordinator für elektronische Integration und Maschinenalarme
Ing. Sofía MarquinaProfessorin für Werkstoffe, Verbundwerkstoffe und Korrosionsschutz; Koordinatorin des Bereichs moderne Anstriche und Beschichtungen
Ing. Tomás RieraProfessor für Antriebstechnik, alternative Energien und Hybridsysteme; Koordinator für Energieeffizienz und SchwingungenZiele des Programms Kompaktkurs Meeresvorhersage mit Machine Learning
Berufsaussichten nach dem Programm Kompaktkurs Meeresvorhersage mit Machine Learning
Fragen zum Programm Kompaktkurs Meeresvorhersage mit Machine Learning
Ja, Grundkenntnisse werden empfohlen; der Kurs beginnt nicht bei null mit dem Programmieren.
Nein. Der Kurs zeigt, dass sie sich meist ergänzen, und analysiert die Grenzen beider Ansätze.
Vor allem Seegang, Meeresoberflächentemperatur und Meeresspiegel, auf Basis offener Daten.
Nein. Die Übungen lassen sich in kostenlosen Cloud-Umgebungen durchführen.
Sie entwickeln und validieren ein Seegangsvorhersagemodell für einen realen Küstenstandort.
Vollständig online über einen rund um die Uhr zugänglichen virtuellen Campus, mit aufgezeichneten Live-Sitzungen und Tutorien mit dem Lehrteam.
Der Kompaktkurs umfasst 300 Lernstunden in 5 Modulen zu je etwa 60 Stunden und schließt mit einem angewandten Praxisfall ab. Sie lernen in Ihrem eigenen Tempo innerhalb des Zeitplans, der bei der Einschreibung festgelegt wird.
Weitere Programme im Bereich Klima und Ozeanografie
Zulassungsverfahren
Kein Warten auf einen Rückruf. Wenn Ihre Unterlagen vollständig sind, können Sie sich in derselben Sitzung einschreiben.
- Profil: richtet sich an Absolventen der Meereswissenschaften, Physik, Mathematik oder Ingenieurwissenschaften, die Machine Learning auf den Ozean anwenden möchten, Data Scientists mit Interesse an Umwelt- und Meeresthemen, Fachkräfte der Meeres- und Wettervorhersage, die neue Methoden erkunden, Fachleute aus Meeresenergie und Häfen, die lokale Vorhersagen benötigen, sowie Forschende, die mit ozeanischen Zeitreihen arbeiten. Empfohlen werden eine Ausbildung in diesen Bereichen, in Statistik oder Informatik sowie Python-Grundkenntnisse.
- Sprache: ausreichende Deutschkenntnisse, um dem Unterricht und den Fachunterlagen zu folgen.
- Technische Ausstattung: ein Computer mit stabiler Internetverbindung, ein aktueller Browser und eine Kamera für Live-Sitzungen und Projektpräsentationen.
- Zulassung: Online-Bewerbung, Prüfung Ihres Profils und ein kurzes Gespräch mit dem akademischen Team.
- 01BewerbungIhre Daten, Ihr Werdegang und Ihre Unterlagen.
- 02Sofortige PrüfungWir prüfen, ob alles vollständig und korrekt ist.
- 03EinschreibungWählen Sie Einmal- oder Ratenzahlung und sichern Sie sich Ihren Platz.
Die Zulassung gilt vorläufig, bis das Komitee die eingereichten Unterlagen geprüft hat. Werden die Voraussetzungen nicht erfüllt, wird der gesamte Betrag erstattet.
Fragen Sie uns vor der Einschreibung
Hinterlassen Sie Ihre Kontaktdaten, und die Zulassungsstelle meldet sich bei Ihnen, um alle Fragen zu klären. Wenn Sie sich schon sicher sind, können Sie sich direkt bewerben und in derselben Sitzung bezahlen.