δείτε την πρωτότυπη σελίδα τεκμηρίου στον ιστότοπο του αποθετηρίου του φορέα για περισσότερες πληροφορίες και για να δείτε όλα τα ψηφιακά αρχεία του τεκμηρίου*
Το περιεχόμενο της εργασίας αυτής αφορά την εφαρμογή όσων διδάχτηκαν στο πρόγραμμα του μεταπτυχιακού σχετικά με τα γραμμικά μοντέλα συν κάτι ακόμα. Πιο συγκεκριμένα, ανάπτυξη μοντέλων με τη χρήση της γλώσσας Python και της μηχανικής μάθησης. Σκοπός είναι η πρόβλεψη της θερμοκρασίας μιας ολόκληρης ημέρας λαμβάνοντας υπόψη 42 χρόνια ιστορικών δεδομένων. Με την ιστορική αναδρομή και την έρευνα πάνω στα παγκόσμια καιρικά μοντέλα έγινε κατανοητό για το πως αυτά φτιάχνονται. Στη συνέχεια, με την περιγραφική στατιστική πάνω στο σύνολο των δεδομένων εξήχθησαν συμπεράσματα σχετικά με την ιστορικότητα του καιρού και την αλλαγή του κλίματος με την πάροδο των χρόνων. Για την εφαρμογή των μεθόδων χρειάστηκε να γίνει μετασχηματισμός στα δεδομένα για να μπορούν εύκολα να διαβαστούν από τους αλγορίθμους αλλά και για να μην υπάρχουν εσφαλμένα αποτελέσματα.
Με την πρώτη μέθοδο, τη γραμμική παλινδρόμηση, επιτεύχθηκε μια αρκετά καλή πρόβλεψη της θερμοκρασίας με συντελεστή προσδιορισμού 0.979 ενώ με τη δεύτερη μέθοδο, τα δίκτυα μακροπρόθεσμης μνήμης, προέκυψε μια καλή πρόβλεψη. Το συμπέρασμα είναι ότι, με ένα απλό μοντέλο και χωρίς να υπάρχει γνώση για τις καιρικές συνθήκες των γύρω περιοχών, μπορεί να γίνει μια πολύ καλή πρόβλεψη.
(EL)
The content of this work concerns the application of what was taught in the postgraduate program on linear models plus something else. More specifically, model development using Python language and machine learning. The purpose is to predict the temperature of an entire day considering 42 years of historical data. With the historical background and the research on the world weather models, it was understood how they are made. Then, with the descriptive statistics on the data set, conclusions were drawn about the historicity of the weather and climate change over time. For the application of the methods, it was necessary to transform the data so that they can be easily read by the algorithms but also so that there are no incorrect results.
With the first method, linear regression, a good temperature prediction was achieved with a coefficient of determination of 0.979 while with the second method, long-term memory networks, a good prediction was obtained. The conclusion is that, with a simple model and without knowledge of the weather conditions of the surrounding areas, a very good forecast can be made.
(EN)
Βιβλιοθήκη και Κέντρο Πληροφόρησης » Βιβλιοθήκη Σχολής Οικονομικών και Πολιτικών Επιστημών » Βιβλιοθήκη Τμήματος Οικονομικών Επιστημών και Τμήματος Διοίκησης Επιχειρήσεων και Οργανισμών
Σχολή Οικονομικών και Πολιτικών Επιστημών » Τμήμα Οικονομικών Επιστημών » ΠΜΣ Διοίκηση, Αναλυτική και Πληροφοριακά Συστήματα Επιχειρήσεων » Κατεύθυνση Διοίκηση, Αναλυτική και Πληροφοριακά Συστήματα Επιχειρήσεων
Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών ▶ Σχολή Οικονομικών και Πολιτικών Επιστημών Τμήμα Οικονομικών Επιστημών
*Η εύρυθμη και αδιάλειπτη λειτουργία των διαδικτυακών διευθύνσεων των συλλογών (ψηφιακό αρχείο, καρτέλα τεκμηρίου στο αποθετήριο) είναι αποκλειστική ευθύνη των αντίστοιχων Φορέων περιεχομένου.
Πρόβλεψη καιρού με χρήση μηχανικής εκμάθησης
Πρόβλεψη καιρού με χρήση μηχανικής εκμάθησης
Βοηθείστε μας να κάνουμε καλύτερο το OpenArchives.gr.
Εθνικό και Καποδιστριακό Πανεπιστήμιο Αθηνών
