用于风险分析的人工智能和机器学习:基础与实践
- 级别
- L2 中级
- 学习时长
- 约 24 小时(规划估算)
- 状态
- 已计划
- 先修要求
- 该领域的一门 L1 课程,或入门审核
Machine learning weather models (GraphCast, 2023; GenCast, 2024) now match or beat physics ensembles on many scores, ECMWF runs its AIFS operationally since 2025, and AI flood forecasting reaches ungauged basins, so risk analysts must know when to trust these models.
Science, Learning skillful medium-range global weather forecasting (Lam et al.),
学习成果
- 界定模拟器(emulator)及该学科的其他关键术语,并在书面案例中正确使用
- 通过一个附带来源的实例,解释面向风险结果的监督学习,以及物理模型和巨灾模型的仿真器与代理模型
- 将该学科的方法应用于一个有据可查的案例,并结合来源解释每项结果
- 对照机器学习中的不确定性量化分析一个指定案例,并说明证据、日期和局限
模块
-
面向风险结果的监督学习
- 面向风险结果的监督学习
- Emulators and surrogates of physical and catastrophe models
- 机器学习中的不确定性量化
-
保形预测与无分布覆盖率
- 保形预测与无分布覆盖率
- 异常检测和变化检测
- 地理空间基础模型与卫星嵌入
-
因果推断与机器学习
- 因果推断与机器学习
- 机器学习的验证、漂移监测与模型风险
- Fairness and bias in risk models
-
实验室:该学科的方法
- 学习得到的模型只给出点预测,并不附带任何保证;留出一个校准集,对其残差排序并取分位数,就能把预测包裹在一个区间内,其覆盖率无需对模型作任何假设即可得到保证,而校准集的大小决定该保证的紧密程度。
- 通过一个有据可查的案例运用该方法,并解释每项结果
- 阅读该方法的来源与所述数值
配有 Academy 工具的 Labs
方法
- 从训练好的模型到覆盖率有保证的区间:残差、共形分位数,以及用户可以信赖的覆盖率学科页面上的学科方法及其引用来源,并通过一个有据可查的案例加以演示
工具
孪生构建器
- 数字孪生构建器以 3D 构建学院所在地点,切换图层并查看各图层的署名与日期
地图图层
- M4.5+ 地震,过去一周(USGS)Academy 许可登记册准入的开放地图图层,在地图工具中读取
- 人口密度,2020 年(GPW v4.11)Academy 许可登记册准入的开放地图图层,在地图工具中读取
- 自然事件(NASA EONET)Academy 许可登记册准入的开放地图图层,在地图工具中读取
Foundry 工作室
- Experiments room, NXS-LABControlled experiments that test a model against held-out events
- Benchmarks room, NXS-LABBenchmarks that compare learned and physical models on the same task
评估
- 40%
实验记录
通过一个有据可查的案例运用该学科的方法,并结合来源和日期解释每项结果
- 40%
案例备忘录
将该学科的方法应用于一个具名地点或组织,并说明证据与局限
- 20%
关键术语测验
就关键术语作简短回答,对照定义评分
授课方式
- 在线自定进度学习,实验室在浏览器中运行
- 为期六至八周的同期群学习,每周进行实验室评审
- 与合作机构共同开设,纳入其自身课程
合作开设本课程
- 合作讲授一个模块,并带来您工作中的当前案例
- 为您的学员开设同期群,采用您自己的日程与评审
- 贡献一个实验室:贵机构公开发布的数据集或模型
- 在课程开放前审阅课程内容及其参考文献
- 翻译本课程,并将其案例改编以适应您所在的区域
在 Academy LMS 中
- Course on the learning platform
- Intermediate, 4 sections
- 学员群组
- A community group for each cohort of learners
- 成就
- Recorded on completion of the assessed work