12.03.2024
Maschinelles Lernen (ML) bekommt in der Klimawissenschaft und am DKRZ einen immer höheren Stellenwert. Oft stehen die Wissenschaftler:innen jedoch vor großen Herausforderungen, wenn sie die ML-Konzepte auf Klimadaten anwenden möchten, da diese sich deutlich von typischen Maschinenlern-Datensätzen unterscheiden können. Zudem ist ML ein Zweig der Informatik, der sich aktuell sehr dynamisch weiterentwickelt - was es Fachfremden schwer macht, den Überblick zu behalten. Aus diesen Gründen hat das DKRZ für seine Nutzer:innen eine Einführung in das Maschinelle Lernen speziell für den Bereich Klimawissenschaften entwickelt.
Den Hands-On-Workshops organisierte bzw. führte ein fünfköpfiges Team bestehend aus Adeniyi Mosaku, Dr. Paul Keil, Harsh Grover, Dr. Étienne Plésiat und Johannes Meuer durch; die 20 Teilnehmer:innen kamen aus mehr als zehn deutschen Einrichtungen.
Das Workshop-Programm umfasste neben einer Einführung in die ML-Grundlagen typische Anwendungsbeispiele, eine Übersicht über ML-Werkzeuge und -Frameworks sowie Anwendungsbeispiele aus der Wetter- und Klimaforschung. Dr. Étienne Plésiat demonstrierte mit PyTorch ein verbreitetes ML-Framework. In interaktiven Jupyter Notebooks lernten die Teilnehmenden, wie sie selbst Trainings-, Validierungs- und Testdatensätze erstellen und ein Convolutional Neural Network (CNN) aufbauen können, mit dem sie anschließend ihre Modelle trainieren und testen konnten. Zum Abschluss präsentierte Johannes Meurer einen fortgeschrittenen Anwendungsfall, bei dem mithilfe ML-Methoden fehlende Klimadaten rekonstruiert werden können.
Die Teilnehmenden zeigten sich sehr interessiert und viele von Ihnen gaben nach dem Workshop an, die gelernten Methoden für ihre eigene Forschung anwenden wollen. Aufgrund der regen Nachfrage und positiver Rückmeldungen stehen die Chancen gut, dass der Workshop bald wiederholt wird.
Weitere Informationen und vollständiges Workshop-Programm: https://indico.dkrz.de/event/60