私の日本語学習の歩みは、工学部2年生の時に始まりました。友人の紹介で、FAST OFFER International program（旧Study Go Work JAPAN）を知りました。彼女は私に入学の手続きを教えてくれました。私の先生方のおかげで、日本語の多くのことを学び、新しい気づきがありました。また、日本語を学ぶと同時に、日本で働く機会もあることに私は驚きました。そのことは、日本の言語と文化を学ぶ意欲が湧くと同時に、自分の性格や考え方を変えることにつながりました。私は元々とても内気な人間でしたが、先生が考える楽しい学習活動、日本人学生との文化交流会やFAST OFFER Intlとの交流が私の自信を高めることができました。今では自信を持って話し、緊張することなく人と接することができます。
N3レベルの勉強をしていた時、模擬面接とSkype選考を通過しました。書類作成は、FAST OFFERチームのメンバーの一人が指導してくれました。プロフィールが完成すると、10日ほどである企業とマッチングをしました。FAST OFFERチームが、私にその企業についてオリエンテーションをし、質問に対する回答やパワーポイントスライドの指導をしていただきました。しかし、残念ながら一次選考を通過することはできませんでした。その後、3ヶ月間、会社とのマッチングを待ちました。また、プロフィールの再確認を受けて、いくつかの変更を行いました。 FAST OFFERチームのおかげで、翌月からすぐにマッチングが始まりました。2社目は3次選考まであり、2次選考は通過できたのですが、最終選考は通過できませんでした。
しかしながら、もしあなたが何かをとても欲しているならば、あなたはそれを手に入れるでしょう！という言葉のように、同じことが私にも起こりました。不採用通知の後、前に進もうと思い、別の会社（3社目）とマッチングしました。メンターが私の回答とパワーポイントを添削し、スライドの改善をしていただきました。そして、会社のオリエンテーションをしていただいたFAST OFFERの方に、面接の指導をしていただきました。しかし、3社目も、最終選考を通過することができませんでした。すると突然、「あなたが落ちた2社目から、もう1回面接の依頼が来ています。」と連絡がありました。その言葉を読んで、すごく嬉しかったです。
ASIA to JAPANチームが私のモチベーションを維持していただき、休みの日も面接練習をしました。FAST OFFER International チーム、先生、家族や友人の大きなサポートと指導のおかげで最終選考を通過し、ついに夢のような内定を獲得することができました！このような機会に恵まれたことに感謝しており、日本での新しい人生のスタートをとても楽しみにしています！
1. 研究の目的
天気予報は人々の生活に影響を与える重要なようそです。全世界が継続的な気候変動とその副作用に苦しんでいるので、正確な天気を予測することは非常に重要です。このプロジェクトの主な目的は、ニューラルネットワークRNN（リカレントニューラルネットワーク）とLSTM（長短期記憶）を使用してモデルを構築し、5日間にわたる地域の平均気温を予測することです。 主な目的は、天気予報の回帰問題を解決するための深いニューラルネットワークを開発することです。 出力は、グラフィカルユーザーインターフェイスを使用して表示されます。
2.過程
最初のステップはデータの収集です。 最低気温、最高気温、平均気温、日の入り、日の出のような5つのパラメーターがあります。このパラメーターの過去のデータセットを使用して、地域の平均気温を予測します。2番目のステップは、データを前処理することです。生データを取得して、マシンラーニングモデルに適したものにします。3番目のステップは、RNN（リカレントニューラルネットワーク）とLSTM（長期短期記憶）を使用してマシンラーニングモデルをトレーニングすることです。データを80:20の比率で分割する必要があります。ここで、80％のデータはモデルのトレーニングに使用され、20％のデータは モデルのテストに使用しています。必要な精度を達成した後、4番目のステップは出力を表示することです。そのためにフロントエンドとバックエンドが接続されています。したがって、グラフィカルユーザーインターフェイスを使用して出力を表します。
3.結果
5日前の地域の平均気温の予測は、グラフィカルユーザーインターフェイスを使用して表示されます。毎日新しいデータ値がデータセットに追加され、システムがより正確な結果を提供するのに役立ちます。
4.振り返り
マシンラーニング技術は、天気を予測するための効果的なアプローチです。 いくつかの制限を与えているいくつかのマシンディープラーニングアルゴリズムがあります。 これらすべてと比較して、精度の点でRNNとLSTMがより正確な結果をもたらすことが実験的に証明されています。 リカレントニューラルネットワークとLSTMは、時系列予測の最もよく知られたアルゴリズムです。 まず、データの前処理があります。 2番目のステップには、LSTMとRNNを使用したデータのトレーニングが含まれます。 3番目のステップは、データのテストです。 この研究では、グラフィカルユーザーインターフェイスを使用して平均気温の出力を表示しています。 出力の精度は90-92％です。 しかし、この研究は平均気温を予測する単一のパラメータに限定されています。 将来的には、平均気温とともに、より多くの気象パラメータを予測できるようになります。
