مدل دیپ لرنینگ جهت بازسازی دمای سطح دریا تحت پوشش ابر

ما در حال انجام یک پروژه تحقیقاتی برای بازسازی دمای سطح دریا (Sea Surface Temperature - SST) با استفاده از Masked Autoencoder (MAE) یا معماری های مشابه هستیم. به همین منظور به دنبال یک فریلنسر متخصص در زمینه یادگیری عمیق (Deep Learning) و پردازش تصویر هستیم تا به ما در بهینه‌سازی مدل کمک کند. وظایف اصلی: بازنگری و بهبود معماری مدل: اعمال masking تصادفی به بخش‌های مختلف داده‌های SST برای افزایش تنوع و بهبود عملکرد مدل. اضافه کردن تکنیک‌های regularization و data augmentation در بخش تولید داده (Data Generator) به منظور جلوگیری از بیش‌برازش (Overfitting) و افزایش قابلیت تعمیم مدل. بهینه‌سازی فرآیند آموزش مدل: تنظیم پارامترهای مدل مانند نرخ یادگیری (Learning Rate) و استفاده از callbacks مناسب مانند EarlyStopping و ReduceLROnPlateau. اعمال تغییرات در روش‌های افزایش داده شامل چرخش تصادفی (Random Rotations) و انعکاس افقی/عمودی (Flipping) برای افزایش تنوع داده‌های آموزشی. ارزیابی و تحلیل عملکرد مدل: ارزیابی مدل با استفاده از معیارهای RMSE و بررسی همبستگی مکانی (Spatial Correlation) و انسجام مکانی (Spatial Coherence). ارائه گزارش جامع از بهبودهای اعمال شده و نتایج به دست آمده نسبت به مدل پایه. مهارت‌های مورد نیاز: تجربه کار با TensorFlow و Keras. آشنایی با تکنیک‌های Autoencoder و Masked Autoencoder. مهارت در پردازش داده‌های جغرافیایی و آب‌وهوایی. توانایی بهینه‌سازی مدل‌های یادگیری عمیق و استفاده از تکنیک‌های پیشرفته افزایش داده. توانایی تحلیل و تفسیر نتایج مدل و ارائه راهکارهای بهبود. موارد اضافی: تجربه کار با داده‌های تصویری. آشنایی با ابزارهای تجسم داده‌ها برای ارائه نتایج. اگر شما دارای تجربه و مهارت‌های لازم هستید و علاقه‌مند به همکاری در این پروژه تحقیقاتی هستید، لطفاً پیام ارسال کنید.