目录
专题一 机器学习原理与概述
专题二 Python编译工具组合安装教程
专题三 掌握Python语法及常见科学计算方法
专题四 机器学习数据清洗
专题五 机器学习与深度学习方法
专题六 机器学习空间模拟实践操作
专题七 机器学习时间预测实践操作
更多推荐
了解机器学习的发展历史、计算原理、基本定义，熟悉机器学习方法的分类，常用机器学习方法，以及模型的评估与选择；熟悉数据预处理的流程，掌握python程序包的使用；理解机器学习在生态水文中的应用，掌握机器学习模型构建方法，学会构建机器学习模型用于地表参数的空间模拟与时间预测，并掌握生态水文过程分析。
专题一 机器学习原理与概述
了解机器学习的发展历史、计算原理、基本定义，熟悉机器学习方法的分类，常用机器学习方法，以及模型的评估与选择；熟悉数据预处理的流程，掌握python程序包的使用；理解机器学习在生态水文中的应用，掌握机器学习模型构建方法，学会构建机器学习模型用于地表参数的空间模拟与时间预测，并掌握生态水文过程分析。
专题二 Python编译工具组合安装教程
专题三 掌握Python语法及常见科学计算方法
包含Python基本语法及常用的科学计算（Numpy）、数据处理（Pandas）和数据可视化（Matplotlib）库函数的使用。
专题四 机器学习数据清洗
数据清洗与预处理是机器学习和深度学习最重要的部分，一个好的学习模型离不来准确、合适的数据集。常见的数据问题有数据重复、数据异常、文本类型、数据缺失、数据无效等。
专题五 机器学习与深度学习方法
常用的机器学习和深度学习算法原理详解-机器学习以随机森林为例，深度学习以长短期记忆网络为例。
5.1 机器学习原理-以随机森林为例
5.2 深度学习原理-以长短期记忆神经网络为例
专题六 机器学习空间模拟实践操作
6.1经典案例一：土地利用分类
6.2经典案例二：站点土壤水分观测的空间升尺度---从点到面的空间扩展
6.3经典案例三：陆地总水储量的降尺度—提升空间数据的空间分辨率
专题七 机器学习时间预测实践操作
7.1经典案例一：河流径流时间序列预测
7.2经典案例二：地下水位时间序列预测
7.3经典案例三：空气温度时间序列预测
更多推荐
●Python数据挖掘与机器学习
●基于PyTorch深度学习实践技术应用
●全套Python机器学习核心技术与案例分析实践
●基于PyTorch机器学习与深度学习实践与案例
●基于MATLAB 2021b的机器学习、深度学习实践
●基于MATLAB机器学习、深度学习图像处理应用
●基于Python科研数据可视化
●基于MATLAB科研数据可视化
●基于R语言的Meta分析【全流程、不确定性分析】方法与Meta机器学习
●基于Python近红外光谱分析与机器学习、深度学习方法融合
●基于python多光谱遥感数据处理、图像分类、定量评估及机器学习方法应用
