Descripcion y Objetivos

En el ámbito de las Ciencias de la Tierra, cada vez tiene más relevancia el uso de técnicas de machine learning para sustituir funciones con una alta complejidad computacional por modelos que simulen el mismo comportamiento, es decir, que dados unos datos de entrada proporcionan unos datos de salida similares, pero con menor coste. Se persigue, por tanto, reducir dicha complejidad computacional sustituyendo la rutina pertinente mediante un modelo basado en machine learning que realice la misma tarea.

Para aproximarnos a esta tendencia, en este Trabajo Fin de Máster se va a considerar una de esas funciones de un conocido programa de predicciòn meteorológica y va a evaluarse la posibilidad de generar un modelo de machine learning utilizando diferentes librerías ya existentes basadas en Python, R u otros lenguajes de programación.

 

Metodología y Competencias

La metodología a seguir en este proyecto es en base a prueba y error, obteniendo resultados en función de la precisión, tiempo de ejecución y otros parámetros a evaluar.

Con respecto a las competencias que se pretende poner en práctica son:

CE12 - Capacidad para aplicar métodos matemáticos, estadísticos y de inteligencia artificial para modelar, diseñar y desarrollaraplicaciones, servicios, sistemas inteligentes y sistemas basados en el conocimiento.

CE10 - Capacidad para comprender y poder aplicar conocimientos avanzados de computación de altas prestaciones y métodosnuméricos o computacionales a problemas de ingeniería.

 

 

Medios a utilizar

Tanto el software como el hardware necesario para el desarrollo de este proyecto están disponibles en la Escuela Superior de Ingeniería Informática de Albacete ya que no se requiere nada especial.

 

Bibliografía

Peter Bauer, Peter D. Dueben, Torsten Hoefler, Tiago Quintino, Thomas C. Schulthess and Nils P. Wedi. "The digital revolution of Earth-system science", Nature Computational Science. https://doi.org/10.1038/s43588-021-00023-0.

Weather Research and Forecasting Model. https://www.mmm.ucar.edu/weather-research-and-forecasting-model.

Tensorflow. https://www.tensorflow.org/

The R Project for Statistical Computing. https://www.r-project.org/

Joaquín Amat Rodrigo. "Machine learning con R y caret". https://www.cienciadedatos.net/documentos/41_machine_learning_con_r_y_caret

Pytorch. https://pytorch.org/

Scikit-learn. Machine Learning in Python. https://scikit-learn.org/stable/

Pandas - Python Data Analysis Library. https://pandas.pydata.org/

CudaNN. https://developer.nvidia.com/cudnn