βαθιά μάθηση

Βαθιά μάθηση για την ομαδοποίηση καιρικών δεδομένων

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.

Σημασιολογική βαθιά μάθηση (2 εργασίες)

Η βαθιά μάθηση (deep learning) είναι μια μεθοδολογία μηχανικής μάθησης (machine learning) που επικεντρώνεται στην ανάπτυξη βαθιών νευρωνικών δικτύων. Τα νευρωνικά δίκτυα έχουν αποδειχθεί τόσο αποτελεσματικά όσο και ευέλικτα, σε τομείς όπως η ταξινόμηση, η ομαδοποίηση, η παραγωγή συνθετικών αλλά αληθοφανών δεδομένων, κ.α. Συνεπώς, μπορούν να θεωρηθούν ολοκληρωμένα ως προς τη δυνατότητα ανάπτυξης μεγάλης γκάμας εφαρμογών. Παρά τη χρησιμότητά τους όμως, έχουν μια σειρά από ελαττώματα όπως είναι η δυσκολία κατανόησης και τεκμηρίωσης του τρόπου λειτουργίας τους, η δυσκολία εκμάθησής τους που απαιτεί χρονοβόρα και επαναληπτική εργασία, κλπ. Η υλοποίηση νευρωνικών λύσεων θα μπορούσε να γίνει πιο αποτελεσματική αν υπήρχαν υπηρεσίες που να επέτρεπαν σε χρήστες τη μελέτη άλλων αλγορίθμων και μοντέλων. Αυτό μπορεί να επιτευχθεί μόνο στη βάση μιας κοινής γλώσσας ικανής να περιγράψει σχετικούς αλγορίθμους βαθιάς μάθησης με αρκετή λεπτομέρεια. Χρειάζονται επίσης εργαλεία για την αυτοματοποίηση της διαδικασίας εξαγωγής γνώσης και την καθοδήγηση του τελικού χρήστη.

Έργασία 1: θα κάνει χρήση οντολογιών και σχετικών τεχνολογιών διαχείρισης δεδομένων για να περιγράψει σύνθετους αλγορίθμους βαθιάς μάθησης. Επιπλέον, θα δημιουργήσει μια βάση γνώσεων (knowledge-base) όπως και πρωτότυπο λογισμικό για την εξαγωγή γνώσης από νέους και διαθέσιμους αλγόριθμους ανοικτού κώδικα.

Έργασία 2: θα δημιουργήσει μία εφαρμογή Web που θα μπορούν να συμβουλεύονται χρήστες που αναπτύσσουν αλγόριθμους βαθιάς μάθησης. Η πρωτότυπη εφαρμογή θα επιτρέπει την αποθήκευση νέων αλγορίθμων βαθιάς μάθησης βάσει κατάλληλης οντολογίας, και θα είναι σε θέση να παράσχει απαντήσεις σε σχετικά ερωτήματα χρηστών.

Syndicate content

© 2018 - Institute of Informatics and Telecommunications | National Centre for Scientific Research "Demokritos"