dc.contributor.advisor | Díaz González, Juan Pedro | |
dc.contributor.advisor | González Fernández, Albano José | |
dc.contributor.author | Galván Fraile, Victor | |
dc.contributor.other | Grado En Física | |
dc.date.accessioned | 2022-06-28T11:20:33Z | |
dc.date.available | 2022-06-28T11:20:33Z | |
dc.date.issued | 2022 | |
dc.identifier.uri | http://riull.ull.es/xmlui/handle/915/28439 | |
dc.description.abstract | This end of degree project constitutes an introduction to the application of
Machine Learning techniques on the prediction of meteorological variables,
concretely, aerosols. It presents a bibliographic review of the role on
atmospheric phenomena played by dust, including not only its main sources,
but the fundamental production mechanisms as well. Furthermore, it presents
a combination of theoretical concepts of Machine Learning algorithms,
mainly based on the guidelines of the book “Hands-on Machine Learning
with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques
to Build Intelligent Systems” [Ger19 ´ ], and on the courses of “Machine and
Deep Learning” of the University of Standford, taught online at Coursera
[Ng22]. The aim of this project is, therefore, to realize a first approach to
some of the basic algorithms of Machine Learning and put them into practice.
Particularly, after a preprocessing phase of the data, two models with different
artificial intelligence architectures were build up, training and testing them
with different periods. Furthermore, a study of the input variables and the
window sizes has been carried out in order to optimize the performance of
the models. Finally, several analysis of the results obtained from them have
been done, highlighting the strengths and weaknesses of each of them, in
addition to suggesting the basis for future projects in this field. Additionally,
and with the aim of increasing the transversality of this study, two dust
intrusion classifying models have been made, describing not only their main
characteristics, but also the results obtained and their possible improvements. | en |
dc.description.abstract | El presente trabajo de fin de grado constituye una introduccion a la ´
aplicacion de t ´ ecnicas de aprendizaje autom ´ atico para la predicci ´ on de ´
variables meteorologicas, concretamente, aerosoles. En ´ el, se presenta una ´
revision bibliogr ´ afica acerca del papel desempe ´ nado por el polvo en procesos ˜
atmosfericos, sus principales fuentes y los mecanismos de producci ´ on´
fundamentales. Ademas, se presenta una combinaci ´ on de conceptos te ´ oricos ´
sobre los que se fundamentan los algoritmos de inteligencia artificial, basados
principalmente en las directrices del libro “Hands-on Machine Learning with
Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to
Build Intelligent Systems” [Ger19 ´ ], as´ı como en los cursos de “Machine y
Deep Learning” de la Universidad de Standford, realizados online a traves de ´
Coursera [Ng22]. El objetivo del proyecto es, por tanto, realizar una primera
aproximacion a alguno de los algoritmos b ´ asicos de aprendizaje autom ´ atico ´
y ponerlos en practica. En particular, tras realizar un preprocesamiento de ´
los datos, se ha procedido a la creacion de dos modelos aplicando dos tipos ´
de algoritmos diferentes, que han sido entrenados y testeados en diferentes
periodos de tiempo. Asimismo, se ha realizado un estudio de las variables de
entrada y de las ventanas de datos, con el objetivo de optimizar el rendimiento
de los modelos. Finalmente, se ha realizado un analisis de los resultados ´
obtenidos, destacando las bondades y defectos de cada uno de los modelos
aplicados, ademas de sugerir las bases de futuros proyectos en este campo. ´
Adicionalmente, y con objeto de aumentar la transversalidad de este estudio,
se ha procedido a crear dos modelos clasificadores de las intrusiones de polvo,
describiendo sus principales caracter´ısticas, los resultados obtenidos as´ı como
las posibles mejoras de los mismos. | es |
dc.format.mimetype | application/pdf | |
dc.language.iso | es | |
dc.rights | Licencia Creative Commons (Reconocimiento-No comercial-Sin obras derivadas 4.0 Internacional) | |
dc.rights.uri | https://creativecommons.org/licenses/by-nc-nd/4.0/deed.es_ES | |
dc.title | Feasibility study of artificial intelligence techniques applied to the prediction of dust | |
dc.type | info:eu-repo/semantics/bachelorThesis | |
dc.subject.keyword | Aerosol mineral, fuentes de polvo, aprendizaje automatico, ´
aprendizaje profundo, prediccion de polvo. | |