Βαθιά μάθηση για την ομαδοποίηση καιρικών δεδομένων

Printer-friendly versionSend by email
Qualifications Required: 
Προγραμματισμός σε Python, βασικές έννοιες βαθιάς μάθησης
Qualifications Desired: 
Tensorflow, γνώσεις στατιστικής και πιθανοτήτων

Ο καιρός είναι ένα πολύπλοκο, μη-γραμμικό σύστημα που είναι δύσκολο να αναλυθεί μέσω παραδοσιακών αλγορίθμων μηχανικής μάθησης. Ταυτόχρονα όμως, είναι χρήσιμος σε πληθώρα ερευνητικών και πρακτικών εφαρμογών, όπως στην αντιμετώπιση έκτακτων αναγκών, στην πρόβλεψη συμπεριφοράς κλπ. Ο προσδιορισμός αντιπροσωπευτικών τύπων καιρού βάσει αλγορίθμων βαθιάς μάθησης έχει αποδειχθεί αποτελεσματικός σε ορισμένες εφαρμογές, αλλά χρειάζεται περισσότερη εργασία για να επιτευχθεί μια πιο γενική και παραμετροποιήσιμη λύση.

Αυτή η εργασία θα μελετήσει την εφαρμογή τεχνικών βαθιάς μάθησης για την ομαδοποίηση καιρικών δεδομένων, βασιζόμενη σε προηγούμενες εργασίες που έχουν διεξαχθεί στο ΕΚΕΦΕ «Δημόκριτος». Θα υποδείξει και θα υλοποιήσει νέες προσεγγίσεις στο πρόβλημα λαμβάνοντας υπόψη τη γεωγραφική θέση καθώς και τα χρονικά χαρακτηριστικά του καιρού. Θα υλοποιήσει πρωτότυπα μοντέλα και θα τεκμηριώσει την αποτελεσματικότητά τους χρησιμοποιώντας καιρικά δεδομένα μεγάλης κλίμακας.

Administration

© 2019 - Institute of Informatics and Telecommunications | National Centre for Scientific Research "Demokritos"

Terms of Service and Privacy Policy