Data science workflow a radaradat-elemzésben
Copyright (c) 2022 Madácsi Richárd
This work is licensed under a Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License.
Absztrakt
Az adatelemzés a 21. század egyik leginkább felkapott szakterülete. Ennek egyik oka vélhetően a fejlett, neurális hálózatokon alapuló gépi tanulási algoritmusok megjelenése, amivel a lehetőségek látszólag korlátlanok. Ebből következően azon cégeknek, amelyek nem szeretnének a versenyben lemaradni, komoly energiákat kell ebbe a területbe fektetni. Sokszor azonban elsikkadnak a gépi tanuló algoritmus futtatása előtti teendők, az adatok tisztítása, transzformálása, a felhasználni kívánt modellnek megfelelő magyarázó változók előállítása, amelyek sok esetben nagyobb hatást gyakorolnak az eredményre, mint a választott gépi tanuló algoritmus vagy annak paraméterei. Számos ingyenes eszköz elérhető több különböző programozási nyelvben, amivel ezek a munkafolyamatok hatékonyan végezhetők, de az ATM1-fókuszú radaradat-elemzésben egyedi elemző eszközök fejlesztése is szükséges lehet. A cikk célja, hogy egy ilyen eszközzel szemben támasztott követelmények egy részhalmazát konkrét példákon keresztül bemutassa.
Kulcsszavak:
Hogyan kell idézni
Hivatkozások
1. The Official Blog of Kaggle.com, Q&A with Xavier Conort. Online: http://blog.kaggle.com/2013/04/10/qa-with-xavier-conort/
2. C. Byrne, Development Workflows for Data Scientists. Sebastopol, California, O’Reilly Media, 2017.
3. Szarvas D., Tichy R., Rohács D., „Mesterséges intelligencia alkalmazása az aviatikában,” Repüléstudományi Közlemények, 31. évf. 1. sz. pp. 183–204. 2019. Online: https://doi.org/10.32560/rk.2019.1.15
4. P. Domingos, „A Few Useful Things to Know about Machine Learning,” Communications of the ACM, Vol. 55 No. 10. pp. 78–87. 2012. Online: https://doi.org/10.1145/2347736.2347755
5. Z. Wang, M. Liang, D. Delahaye, „Short-Term 4D Trajectory Prediction Using Machine Learning Methods,” In SID 2017, 7th SESAR Innovation Days, 2017. pp. 1–9. Online: https://www.sesarju.eu/sites/default/files/documents/sid/2017/SIDs_2017_paper_11.pdf
6. D. Cielen, A. D. B. Meysman, M. Ali, The Data Science Process, In Introducing Data Science. New York, Manning Publications, 2016.
7. F. Herrema, et al., „A Novel Machine Learning Model to Predict Abnormal Runway Occupancy Times and Observe Related Precursors,” In 12th USA/Europe Air Traffic Management Research and Development Seminar (ATM2017) 2017. pp. 1–11. Online: https://pure.tudelft.nl/ws/portalfiles/portal/31444878/12th_ATM_RD_Seminar_paper_107.pdf
8. Z. Wang, M. Liang, D. Delahaye, Automated Data-Driven Prediction on Aircraft Estimated Time of Arrival, SID 2018, 8th SESAR Innovation Days, 2018. pp. 1–8.
9. V. Kumar, L. Sherry, R. Kicinger, „Runway Occupancy Time Extraction and Analysis Using Surface Track Data,” In Transportation Research Board Annual Meeting, Transportation Research Board Paper, 10-3676, Washington, D.C., Jan. 2010.
10. S. Ayhan, P. Costas, H. Samet, „Predicting Estimated Time of Arrival for Commercial Flights,” In KDD ’18 Proceedings of the 24th ACM SIGKDD International Conference on Knowledge Discovery & Data Mining London, 2018. pp. 33–42. Online: https://doi.org/10.1145/3219819.3219874
11. R. Madacsi, R. Markovits-Somogyi, „Bank Angle Estimation Using Radar Data,” Periodica Polytechnica Transportation Engineering, Vol. 47, No. 1. pp. 1–5, 2019. Online: https://doi.org/10.3311/PPtr.11653
12. C. O’Neil, R. Schutt, Doing Data Science: Straight Talk from the Frontline. Sebastopol, California, O’Reilly Media, 2013.
13. Madácsi R., Baráth M., Sándor Zs., A speciális térgeometriára támaszkodó „PointMerge” légiforgalmi irányítási módszer továbbfejlesztése. Budapest, IFFK, 2015.