論文の概要: A Machine Learning Tutorial for Operational Meteorology, Part II: Neural Networks and Deep Learning

• arxiv url: http://arxiv.org/abs/2211.00147v1
• Date: Mon, 31 Oct 2022 21:10:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-02 13:43:19.123808
• Title: A Machine Learning Tutorial for Operational Meteorology, Part II: Neural Networks and Deep Learning
• Title（参考訳）: 運用気象学のための機械学習チュートリアル,その2:ニューラルネットワークとディープラーニング
• Authors: Randy J. Chase, David R. Harrison, Gary Lackmann and Amy McGovern
• Abstract要約: 本稿では,操作的気象学的コミュニティを対象とした,平易な言語形式の機械学習手法について論じる。 これは、気象学者のための機械学習リソースとして機能することを目的とした2つ目の論文である。 具体的には、パーセプトロン、人工ニューラルネットワーク、畳み込みニューラルネットワーク、U-networksについて述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Over the past decade the use of machine learning in meteorology has grown rapidly. Specifically neural networks and deep learning have been being used at an unprecedented rate. In order to fill the dearth of resources covering neural networks with a meteorological lens, this paper discusses machine learning methods in a plain language format that is targeted for the operational meteorolgical community. This is the second paper in a pair that aim to serve as a machine learning resource for meteorologists. While the first paper focused on traditional machine learning methods (e.g., random forest), here a broad spectrum of neural networks and deep learning methods are discussed. Specifically this paper covers perceptrons, artificial neural networks, convolutional neural networks and U-networks. Like the part 1 paper, this manuscript discusses the terms associated with neural networks and their training. Then the manuscript provides some intuition behind every method and concludes by showing each method used in a meteorological example of diagnosing thunderstorms from satellite images (e.g., lightning flashes). This paper is accompanied by an open-source code repository to allow readers to explore neural networks using either the dataset provided (which is used in the paper) or as a template for alternate datasets.
• Abstract（参考訳）: 過去10年間で、気象学における機械学習の利用は急速に増加している。 特にニューラルネットワークとディープラーニングは、前例のない速度で使用されている。 本稿では,ニューラルネットワークをカバーする資源を気象レンズで補うために,運用上の気象コミュニティをターゲットとした,平易な言語形式の機械学習手法について述べる。 気象学者のための機械学習リソースとしての機能を目指すペアの2番目の論文です。 従来の機械学習手法(ランダムフォレストなど)に焦点を当てた最初の論文では、ニューラルネットワークとディープラーニング手法の幅広いスペクトルについて論じている。 具体的には,パーセプトロン,ニューラルネットワーク,畳み込みニューラルネットワーク,uネットワークについて述べる。 パート1の論文のように、本書はニューラルネットワークとそのトレーニングに関連する用語を記述している。 その後、写本はあらゆる方法の背景に直感を与え、衛星画像(例:雷光)から雷雨を診断する気象学的例で使用するそれぞれの方法を示す。 この論文は、提供されたデータセット(論文で使用される)または代替データセットのテンプレートを使用して、読者がニューラルネットワークを探索できるようにするオープンソースコードリポジトリを伴っている。

関連論文リスト

• Detecting Moving Objects With Machine Learning [0.0]
  本章では、天体画像中の移動物体を見つけるための機械学習技術の使用について概説する。 オーバーフィッティング(overfitting)の重要な問題についての議論を含む、機械学習技術の使用に関するさまざまな落とし穴について論じる。
  論文  参考訳（メタデータ） (2024-05-10T00:13:39Z)
• Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
  本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。 我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。 本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-03-18T18:01:01Z)
• Conditional computation in neural networks: principles and research trends [48.14569369912931]
  本稿では,ニューラルネットワークの設計にテクトコンディショナリ計算を適用するという,新たな領域の原理とアイデアを要約する。 特に、入力に条件付きで計算グラフの一部を動的に活性化または非活性化するニューラルネットワークに焦点を当てる。
  論文  参考訳（メタデータ） (2024-03-12T11:56:38Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• Training Spiking Neural Networks Using Lessons From Deep Learning [28.827506468167652]
  シナプスとニューロンの内部構造は、ディープラーニングの未来を垣間見ることができます。 いくつかのアイデアはニューロモルフィックエンジニアリングコミュニティでよく受け入れられ、一般的に使われているが、他のアイデアはここで初めて提示または正当化されている。 PythonパッケージであるsnnTorchを使って、この論文を補完する一連のインタラクティブチュートリアルも利用可能である。
  論文  参考訳（メタデータ） (2021-09-27T09:28:04Z)
• Reservoir Stack Machines [77.12475691708838]
  メモリ拡張ニューラルネットワークは、情報ストレージを必要とするタスクをサポートするために、明示的なメモリを備えたリカレントニューラルネットワークを備える。 本研究では,全ての決定論的文脈自由言語を確実に認識できるモデルである貯水池スタックマシンを導入する。 以上の結果から, 貯水池スタックマシンは, 訓練データよりも長い試験シーケンスでもゼロ誤差を達成できることがわかった。
  論文  参考訳（メタデータ） (2021-05-04T16:50:40Z)
• Deep Neural Networks and Neuro-Fuzzy Networks for Intellectual Analysis of Economic Systems [0.0]
  本稿では,ディープニューラルネットワークとニューロファジィネットに基づく時系列予測手法を提案する。 本稿では,ルールベースの方法論をディープラーニングニューラルネットワークに組み込むためのアプローチについても概説する。
  論文  参考訳（メタデータ） (2020-11-11T06:21:08Z)
• A Practical Tutorial on Graph Neural Networks [49.919443059032226]
  グラフニューラルネットワーク(GNN)は、人工知能(AI)分野において最近人気が高まっている。 このチュートリアルでは、GNNのパワーとノベルティをAI実践者に公開している。
  論文  参考訳（メタデータ） (2020-10-11T12:36:17Z)
• Applications of Deep Neural Networks with Keras [0.0]
  ディープラーニングにより、ニューラルネットワークは人間の脳の機能のような方法で情報の階層を学習することができる。 本コースでは,従来のニューラルネットワーク構造であるConversa Neural Networks (CNN), Long Short-Term Memory (LSTM), Gated Recurrent Neural Networks (GRU), General Adrial Networks (GAN)を紹介する。
  論文  参考訳（メタデータ） (2020-09-11T22:09:10Z)
• From Federated to Fog Learning: Distributed Machine Learning over Heterogeneous Wireless Networks [71.23327876898816]
  フェデレートラーニング(Federated Learning)は、データを収集するノード間で処理能力を活用することによって、ネットワークエッジでMLモデルをトレーニングするテクニックとして登場した。 我々は、エッジデバイスからクラウドサーバへのノード連続体にMLモデルのトレーニングをインテリジェントに分散する、フォグラーニングと呼ばれる新しい学習パラダイムを提唱する。
  論文  参考訳（メタデータ） (2020-06-07T05:11:18Z)
• An Overview of Neural Network Compression [2.550900579709111]
  近年、モデル圧縮技術、特に深層畳み込みニューラルネットワークやTransformerのような自己注意型ネットワークの復活が進んでいる。 本稿では, プルーニング, 量子化, テンソル分解, 知識蒸留, それらの組み合わせを含む, ディープニューラルネットワークの古い圧縮技術と現在の圧縮技術について, タイムリーに概説する。
  論文  参考訳（メタデータ） (2020-06-05T20:28:56Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。