مدرس: مهندس امیر باقرزاده، برنامه نویس و تحلیلگر داده

زمان برگزاری:شنبه، دوشنبه، چهارشنبه 26،24،22،19،17،15 ،31،29 شهریور 1404، هشت جلسه از ساعت 18 الی 19:30 

دسترسی به لینک بازپخش دوره به مدت 14 روز امکان پذیر می باشد.

• معرفی دوره و اهداف (کاربرد ML در علوم زمین، هواشناسی و ژئوفیزیک)
• مرور نمونه کاربردها: پیش‌بینی دما و بارش، تشخیص الگوهای باد و طبقه‌بندی ابرها، تحلیل لرزه‌ای (پیش‌بینی بزرگی زلزله، شناسایی پس‌لرزه‌ها)، تحلیل داده‌های ژئوفیزیکی (گرانش، مغناطیس)
• نصب و راه‌اندازی محیط (Anaconda / JupyterLab)
• ساختار داده‌ها: هواشناسی (CSV، NetCDF، GRIB) و ژئوفیزیکی (MiniSEED، SEG-Y)
• تمرین: بارگذاری و مشاهده داده‌های یک ایستگاه هواشناسی یا لرزه‌نگار

• NumPy: آرایه‌ها، عملیات پایه، آمار توصیفی
• Pandas: DataFrame، انتخاب داده، فیلتر، گروه‌بندی، پردازش داده‌های زمانی
• کار با داده‌های هواشناسی و لرزه‌ای: تمیزکردن داده‌های مفقود، تغییر فرکانس زمانی (روزانه → ماهانه / ثانیه‌ای → دقیقه‌ای)
• تمرین: محاسبه میانگین ماهانه دما و بارش، محاسبه انرژی لرزه‌ای روزانه از داده‌های زلزله

• Matplotlib و Seaborn: نمودار خطی، پراکندگی، هیستوگرام، جعبه‌ای
• تجسم جغرافیایی: کار با Cartopy / Plotly برای نقشه‌های داده‌های آب‌وهوایی و لرزه‌ای
• تجسم داده‌های ژئوفیزیکی: نقشه‌های هم‌تراز (Contour)، پروفیل‌های عمقی
• تمرین: ترسیم نقشه بارش ماهانه یک استان، ترسیم نقشه پراکندگی زلزله‌ها در یک منطقه

• مفاهیم پایه: supervised vs unsupervised، ویژگی‌ها و برچسب‌ها
• چرخه یک پروژه ML (از داده خام تا مدل)
• مقدمه بر Scikit-learn و ساخت اولین مدل پیش‌بینی دما با Linear Regression
• تمرین: مدل‌سازی رابطه دما و فشار، مدل ساده پیش‌بینی بزرگی زلزله بر اساس ویژگی‌های رخداد

• Linear Regression پیشرفته: انتخاب ویژگی، ارزیابی با MAE و RMSE
• Logistic Regression برای پیش‌بینی پدیده‌های دودویی: روز بارانی / بدون باران، رخداد پس‌لرزه / عدم رخداد
• تمرین: پیش‌بینی احتمال بارش، پیش‌بینی احتمال پس‌لرزه پس از یک زلزله اصلی

• KNN برای طبقه‌بندی الگوهای آب‌وهوایی و لرزه‌ای
• Decision Tree و Random Forest برای پیش‌بینی چندمتغیره
• بحث bias-variance و Cross-validation
• تمرین: پیش‌بینی سرعت باد با Random Forest، طبقه‌بندی سیگنال‌های لرزه‌ای (زلزله، انفجار، نویز)

• K-means برای خوشه‌بندی الگوهای فشار و دما یا رخدادهای زلزله
• PCA برای کاهش بعد داده‌های هواشناسی (مثلاً داده‌های شبکه‌ای WRF) و ژئوفیزیکی (ویژگی‌های امواج لرزه‌ای)
• تمرین: استخراج الگوهای دمایی شاخص، خوشه‌بندی رخدادهای لرزه‌ای در یک گسل

• تعریف پروژه: انتخاب یک مسئله واقعی از داده‌های هواشناسی یا ژئوفیزیک
• مرور گام‌به‌گام پیاده‌سازی: بارگذاری داده → پردازش → تجسم → مدل‌سازی → ارزیابی
• مثال‌ها: پیش‌بینی دمای روز بعد، پیش‌بینی احتمال وقوع بارش، خوشه‌بندی روزهای مشابه در یک سال، طبقه‌بندی سیگنال‌های لرزه‌ای، خوشه‌بندی رخدادهای زلزله بر اساس ویژگی‌های موج
• بحث و جمع‌بندی