Show simple item record

dc.contributor.advisorBaño Medina, Jorge
dc.contributor.advisorGarcía Manzanas, Rodrigo 
dc.contributor.authorGarcía Fernández, Esther
dc.contributor.otherUniversidad de Cantabriaes_ES
dc.date.accessioned2020-01-21T12:21:15Z
dc.date.available2020-01-21T12:21:15Z
dc.date.issued2019-09-09
dc.identifier.urihttp://hdl.handle.net/10902/17865
dc.description.abstractRESUMEN: Muchos de los modelos utilizados tradicionalmente como la regresión lineal no son capaces de encontrar las relaciones no lineales establecidas entre las variables predictoras utilizadas en los problemas de predicción meteorológica. Además, añadimos elementos como la dependencia temporal o la incertidumbre que lleva intrínseca la meteorología. En los últimos años los modelos de redes neuronales han resurgido y están demostrando sus capacidades en multitud de campos y la meteorología no podía ser excluida. Gracias a sus arquitecturas tan versátiles y altamente no lineales se convierten en una herramienta útil capaz de realizar predicciones con gran exactitud. Arquitecturas modernas como las redes LSTM nos permiten introducir dependencias temporales y abordar con éxito problemas de predicción de series temporales.es_ES
dc.description.abstractABSTRACT: Many of traditional used models as linear regression are not able to find the non-linear relationships established among the predictive variables used in weather forecasting. In addition, elements such as temporal dependence or uncertainty, which is intrinsic to meteorology, are added to this problem. In recent years, neural network models have resurfaced and are showing their capabilities in many fields, meteorology could not be excluded. Thanks to its versatile and highly non-linear architectures, they become a useful tool capable of making predictions with great accuracy. Modern architectures like LSTM networks allow us to introduce temporary dependencies and deal successfully time series prediction problems.es_ES
dc.format.extent53es_ES
dc.language.isospaes_ES
dc.rightsAtribución-NoComercial-SinDerivadas 3.0 Españaes_ES
dc.rights.urihttp://creativecommons.org/licenses/by-nc-nd/3.0/es/*
dc.titleEvaluación del potencial de las redes neuronales profundas para la predicción de la temperatura superficial del agua del mares_ES
dc.title.alternativeOn the suitability of deep neural networks to predict sea surface patternses_ES
dc.typeinfo:eu-repo/semantics/masterThesises_ES
dc.rights.accessRightsopenAccesses_ES
dc.description.degreeMáster en Ciencia de Datoses_ES


Files in this item

Thumbnail

This item appears in the following Collection(s)

Show simple item record

Atribución-NoComercial-SinDerivadas 3.0 EspañaExcept where otherwise noted, this item's license is described as Atribución-NoComercial-SinDerivadas 3.0 España