29.03.2023

Als Einführung erläuterte Caroline Arnold Hintergründe und Best-Practices-Anwendungen des Maschinellen Lernens und wiederholte Python-Grundlagen, die für deren Einsatz essentiell sind. Christopher Kadow präsentierte Beispiele für die Anwendung von ML-Methoden in den Klimawissenschaften und zeigte, dass alle Techniken modernen MLs hier zum Einsatz kommen können.

Im Hauptteil des Kurses demonstrierte Étienne Plésiat mit PyTorch ein verbreitetes ML-Framework. In interaktiven Jupyter Notebooks lernten die Teilnehmenden, wie sie selbst ein neuronales Netz und ein Datenset definieren können. Gemeinsam trainierten sie einen Klassifizierungsalgorithmus, mit dem für Temperaturdaten des ERA5-Datensatzes jeweils der Monat der Datenbeobachtung vorhersagt werden konnte.

Johannes Meuer präsentierte zum Abschluss die ML-Nutzung auf der GPU-Partition von Levante. Dabei konnten die Teilnehmenden selbst ein vorbereitetes Netzwerk trainieren, das Lücken in Radarbildern füllt.

Trotz des breiten Angebots von ML-Online-Kursen war die Nachfrage nach einem speziellen Workshop für Klimawissenschaftler:innen sehr hoch. Da der Kurs bereits innerhalb weniger Stunden um ein Vielfaches überbucht war und die Evaluation zudem sehr positiv ausfiel, plant das DKRZ diesen voraussichtlich im Herbst erneut anzubieten.

Das Schulungsmaterial ist nicht online verfügbar, da insbesondere die Hands-On-Kursinhalte erst mit den Teilnehmenden zusammen erarbeitet wurden. Zum Selbststudium können folgende Online-Kurse empfohlen werden: