In questa sezione, riportiamo la nostra esperienza sulla gestione di vari algoritmi di deep learning per la previsione di serie temporali e le attività di previsione meteo. Inoltre, proponiamo alcuni modelli ibridi avanzati con prestazioni e accuratezza migliorate per le sequenze temporali.

Nel nostro laboratorio lavoriamo con diversi tipi di dati,  ad esempio segnali biomedici e dati meteorologici.

Recentemente, l’ultilizzo del Deep Lerning sta crescendo rapidamente e offre prestazioni notevoli in quasi tutti i campi applicativi.

In particolare, per descrivere al meglio le informazioni contenute nelle complesse serie temporali è utile estrarre delle features in grado di rappresentare in maniera piu’ efficace e compatta i dati da cui provengono.

Tuttavia, questa procedura richiede molto tempo ed e richiede una  approfondita  conoscenza dei dati che si stanno analizzando.

In alternativa c’è l’utilizzo di algoritmi per l’unsupervised feature learning che permette di avere un impatto positivo sulle  performance degli algoritmi di machine learning.

Lo scopo del Deep Learning è quello di riuscire ad apprendere rappresentazioni buone ed altamente significative dei dati, a partire da quelle di basso livello.

1. MeteoNowcasting using Depp Learning architecture