¿Eso es todo en su conjunto de datos? Mensual ave temperaturas, mes, año y ciudades? ¿Qué pasa con la información que falta en el conjunto de datos? Supongo que también tiene el país o alguna otra información geográfica. De cualquier manera, aquí hay algunas cosas que puedes probar
- Tome una ciudad y vea cómo la temperatura ha variado con el tiempo.
- Identificar la estacionalidad a partir de los datos. ¿Eso se alinea con tu comprensión de las estaciones?
- Haga un análisis de tendencias e identifique un rango razonable de temperaturas posibles en períodos futuros.
- ¿Está aumentando la temperatura estacional promedio o solo el promedio anual general? ¿Se están enfriando los inviernos y los veranos más calurosos?
- ¿Cómo se relaciona lo anterior con una ciudad de geografía similar pero país diferente? ¿Hay alguna razón por la que puedas pensar? Contaminación industrial.
- ¿Algún valor atípico? ¿Qué podría haber sucedido para el valor atípico?
El punto que estoy tratando de hacer es que poder extraer ideas es más importante que simplemente resumir datos y pensar que la analítica está hecha. Es un campo abierto. Hazlo tu patio de recreo.
- Cómo configurar las dimensiones de la capa y la conectividad en Caffe para reproducir una CNN a partir de un trabajo de investigación
- ¿Hay algún proyecto / investigación de Machine Learning interesante en el que pueda trabajar de forma independiente?
- ¿Por qué las personas usan Keras en el back-end de TensorFlow y no solo en TensorFlow?
- ¿Qué es lo que más te gusta del aprendizaje automático?
- ¿Cómo puedo diseñar una gran red neuronal?
