Por favor, use este identificador para citar o enlazar este ítem:
http://hdl.handle.net/20.500.11765/10074
Posproceso estadístico
| Título : | Posproceso estadístico |
| Autor : | Quintero Plaza, David
|
| Palabras clave : | Sistemas de predicción por conjuntos; Posproceso estadístico; Métodos de posproceso BMA y ELR; Aprendizaje automático; Machine learning |
| Fecha de publicación : | 2018 |
| Editor: | Agencia Estatal de Meteorología |
| Citación : | Santos Burguete, Carlos (ed.). Física del caos en la predicción meteorológica. Madrid: Agencia Estatal de Meteorología, 2018, p. 193-205 |
| Versión del editor: | https://dx.doi.org/10.31978/014-18-009-X.14 |
| Resumen : | En este capítulo damos una introducción a las técnicas estadísticas que permiten calibrar (y por tanto mejorar) las salidas directas de un modelo meteorológico o un sistema de predicción por conjuntos. Primero hablaremos de las técnicas clásicas Perfect Prog y MOS, así como las más recientes BMA y ELR y después reservaremos una parte importante para hablar sobre las novedosas técnicas basadas en Aprendizaje Automático (Machine Learning), que parecen muy prometedoras. |
| URI : | http://hdl.handle.net/20.500.11765/10074 |
| Colecciones: | Física del caos en la predicción meteorológica |
Ficheros en este ítem:
| Fichero | Descripción | Tamaño | Formato | ||
|---|---|---|---|---|---|
 | 14_Posproceso_estadis... | 2,05 MB | Adobe PDF |  Visualizar/Abrir |
Los ítems de Arcimis están protegidos por una Licencia Creative Commons, salvo que se indique lo contrario.
