Викиконспекты - Вклад участника [ru]

Обсуждение участника:Qrort

2021-01-07T17:06:50Z

176.59.214.143: /* Cлучайные леса */

== Машинное обучение в астрономии ==
Астрономия переживает стремительный рост объема и сложности данных. Существует множество проектов, исследующих и собирающих многоспектральные изображения неба, разновременную и многоволновую информацию, например, [https://www.sdss.org/ SDSS]. Соответственно, в последние годы алгоритмы машинного обучения становятся все более популярными среди астрономов и в настоящее время используются для решения самых разнообразных задач. В этой статье кратко приводится практическая информация о применении инструментов машинного обучения к астрономическим данным.

=== [[Общие понятия#Классификация задач машинного обучения | Обучение с учителем ]] ===
В этом разделе рассматриваются алгоритмы, наиболее часто встречающиеся в научных работах астрономической тематики, и примеры таких работ.
==== Метод опорных векторов ====
[[ Метод_опорных_векторов_(SVM) | Метод опорных векторов ]] (англ. ''support vector machine, SVM'') является популярным алгоритмом для решения задач классификации.
Астрономы используют метод опорных векторов для определения типа галактик по их морфологическим признакам <ref>Huertas-Company, M., Rouan, D., Tasca, L.,Soucail, G., & Le F`evre, O. 2008, A&A, 478,971</ref>, обучая модели на изображениях далёких галактик. Дополнительной сложностью вышеприведённой и прочих работ на ту же тему являются визуальные ограничения имеющихся изображений, такие, как мерцание, смещение, размытие и [https://ru.wikipedia.org/wiki/Красное_смещение красное смещение].

Метод опорных векторов также может быть использован для классификации<ref>''Qu, M., Shih, F.Y., Jing, J. et al.'' Automatic Detection and Classification of Coronal Mass Ejections. Sol Phys 237, 419–431 (2006)</ref> [https://ru.wikipedia.com/Корональные_выбросы_массы корональных выбросов массы], определения их силы, источника и направления по данным [https://en.wikipedia.org/wiki/Large_Angle_and_Spectrometric_Coronagraph LASCO], или для классификации звезд и планет.<ref>Kov ́acs, A., & Szapudi, I. 2015, MNRAS, 448,1305</ref>

==== Cлучайные леса ====
[[ Дерево решений и случайный лес | Случайные леса ]] (англ. ''random forest'') используются для решения задач классификации и регрессии. В пример можно привести следующие исследования:
* Определение величины красного смещения по изображению<ref>Carliles, S., Budav ́ari, T., Heinis, S., Priebe, C., &Szalay, A. S. 2010, ApJ, 712, 511</ref>
* Классификация<ref>Bloom, J. S., Richards, J. W., Nugent, P. E., et al.2012, PASP, 124, 1175</ref> кратковременных астрономических событий и [https://ru.wikipedia.org/wiki/Переменная_звезда переменных звезд]
* Классификация звезд и планет<ref>Miller, A. A., Kulkarni, M. K., Cao, Y., et al.2017, AJ, 153, 73</ref>
[[Медиа:galaxy_star_features.jpg|Список признаков, используемый для классификации]]

==== Нейронные сети ====

=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] ===
Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
==== Кластеризация ====
==== Уменьшение размерности ====
==== Визуализация и обнаружение выбросов ====

==Источники информации==
<references />

Обсуждение участника:Qrort

2021-01-07T17:00:26Z

176.59.214.143: /* Обучение с учителем */

== Машинное обучение в астрономии ==
Астрономия переживает стремительный рост объема и сложности данных. Существует множество проектов, исследующих и собирающих многоспектральные изображения неба, разновременную и многоволновую информацию, например, [https://www.sdss.org/ SDSS]. Соответственно, в последние годы алгоритмы машинного обучения становятся все более популярными среди астрономов и в настоящее время используются для решения самых разнообразных задач. В этой статье кратко приводится практическая информация о применении инструментов машинного обучения к астрономическим данным.

=== [[Общие понятия#Классификация задач машинного обучения | Обучение с учителем ]] ===
В этом разделе рассматриваются алгоритмы, наиболее часто встречающиеся в научных работах астрономической тематики, и примеры таких работ.
==== Метод опорных векторов ====
[[ Метод_опорных_векторов_(SVM) | Метод опорных векторов ]] (англ. ''support vector machine, SVM'') является популярным алгоритмом для решения задач классификации.
Астрономы используют метод опорных векторов для определения типа галактик по их морфологическим признакам <ref>Huertas-Company, M., Rouan, D., Tasca, L.,Soucail, G., & Le F`evre, O. 2008, A&A, 478,971</ref>, обучая модели на изображениях далёких галактик. Дополнительной сложностью вышеприведённой и прочих работ на ту же тему являются визуальные ограничения имеющихся изображений, такие, как мерцание, смещение, размытие и [https://ru.wikipedia.org/wiki/Красное_смещение красное смещение].

Метод опорных векторов также может быть использован для классификации<ref>''Qu, M., Shih, F.Y., Jing, J. et al.'' Automatic Detection and Classification of Coronal Mass Ejections. Sol Phys 237, 419–431 (2006)</ref> [https://ru.wikipedia.com/Корональные_выбросы_массы корональных выбросов массы], определения их силы, источника и направления по данным [https://en.wikipedia.org/wiki/Large_Angle_and_Spectrometric_Coronagraph LASCO], или для классификации звезд и планет.<ref>Kov ́acs, A., & Szapudi, I. 2015, MNRAS, 448,1305</ref>

==== Cлучайные леса ====
[[ Дерево решений и случайный лес | Случайные леса ]] (англ. ''random forest'') используются для решения задач классификации и регрессии. В пример можно привести следующие исследования:
* Определение величины красного смещения по изображению<ref>Carliles, S., Budav ́ari, T., Heinis, S., Priebe, C., &Szalay, A. S. 2010, ApJ, 712, 511</ref>
* Классификация<ref>Bloom, J. S., Richards, J. W., Nugent, P. E., et al.2012, PASP, 124, 1175</ref> кратковременных астрономических событий и [https://ru.wikipedia.org/wiki/Переменная_звезда переменных звезд]
* Классификация звезд и планет<ref>Miller, A. A., Kulkarni, M. K., Cao, Y., et al.2017, AJ, 153, 73</ref>

==== Нейронные сети ====

=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] ===
Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
==== Кластеризация ====
==== Уменьшение размерности ====
==== Визуализация и обнаружение выбросов ====

==Источники информации==
<references />

Обсуждение участника:Qrort

2021-01-07T16:59:48Z

176.59.214.143: /* Метод опорных векторов */

== Машинное обучение в астрономии ==
Астрономия переживает стремительный рост объема и сложности данных. Существует множество проектов, исследующих и собирающих многоспектральные изображения неба, разновременную и многоволновую информацию, например, [https://www.sdss.org/ SDSS]. Соответственно, в последние годы алгоритмы машинного обучения становятся все более популярными среди астрономов и в настоящее время используются для решения самых разнообразных задач. В этой статье кратко приводится практическая информация о применении инструментов машинного обучения к астрономическим данным.

=== [[Общие понятия#Классификация задач машинного обучения | Обучение с учителем ]] ===
В этом разделе рассматриваются алгоритмы, наиболее часто встречающиеся в научных работах астрономической тематики, и конкретные модели этих работ.
==== Метод опорных векторов ====
[[ Метод_опорных_векторов_(SVM) | Метод опорных векторов ]] (англ. ''support vector machine, SVM'') является популярным алгоритмом для решения задач классификации.
Астрономы используют метод опорных векторов для определения типа галактик по их морфологическим признакам <ref>Huertas-Company, M., Rouan, D., Tasca, L.,Soucail, G., & Le F`evre, O. 2008, A&A, 478,971</ref>, обучая модели на изображениях далёких галактик. Дополнительной сложностью вышеприведённой и прочих работ на ту же тему являются визуальные ограничения имеющихся изображений, такие, как мерцание, смещение, размытие и [https://ru.wikipedia.org/wiki/Красное_смещение красное смещение].

Метод опорных векторов также может быть использован для классификации<ref>''Qu, M., Shih, F.Y., Jing, J. et al.'' Automatic Detection and Classification of Coronal Mass Ejections. Sol Phys 237, 419–431 (2006)</ref> [https://ru.wikipedia.com/Корональные_выбросы_массы корональных выбросов массы], определения их силы, источника и направления по данным [https://en.wikipedia.org/wiki/Large_Angle_and_Spectrometric_Coronagraph LASCO], или для классификации звезд и планет.<ref>Kov ́acs, A., & Szapudi, I. 2015, MNRAS, 448,1305</ref>

==== Cлучайные леса ====
[[ Дерево решений и случайный лес | Случайные леса ]] (англ. ''random forest'') используются для решения задач классификации и регрессии. В пример можно привести следующие исследования:
* Определение величины красного смещения по изображению<ref>Carliles, S., Budav ́ari, T., Heinis, S., Priebe, C., &Szalay, A. S. 2010, ApJ, 712, 511</ref>
* Классификация<ref>Bloom, J. S., Richards, J. W., Nugent, P. E., et al.2012, PASP, 124, 1175</ref> кратковременных астрономических событий и [https://ru.wikipedia.org/wiki/Переменная_звезда переменных звезд]
* Классификация звезд и планет<ref>Miller, A. A., Kulkarni, M. K., Cao, Y., et al.2017, AJ, 153, 73</ref>

==== Нейронные сети ====

=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] ===
Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
==== Кластеризация ====
==== Уменьшение размерности ====
==== Визуализация и обнаружение выбросов ====

==Источники информации==
<references />

Обсуждение участника:Qrort

2021-01-07T16:59:26Z

176.59.214.143: /* Cлучайные леса */

== Машинное обучение в астрономии ==
Астрономия переживает стремительный рост объема и сложности данных. Существует множество проектов, исследующих и собирающих многоспектральные изображения неба, разновременную и многоволновую информацию, например, [https://www.sdss.org/ SDSS]. Соответственно, в последние годы алгоритмы машинного обучения становятся все более популярными среди астрономов и в настоящее время используются для решения самых разнообразных задач. В этой статье кратко приводится практическая информация о применении инструментов машинного обучения к астрономическим данным.

=== [[Общие понятия#Классификация задач машинного обучения | Обучение с учителем ]] ===
В этом разделе рассматриваются алгоритмы, наиболее часто встречающиеся в научных работах астрономической тематики, и конкретные модели этих работ.
==== Метод опорных векторов ====
[[ Метод_опорных_векторов_(SVM) | Метод опорных векторов ]] (англ. ''support vector machine, SVM'') является популярным алгоритмом для решения задач классификации.
Астрономы используют метод опорных векторов для определения типа галактик по их морфологическим признакам <ref>Huertas-Company, M., Rouan, D., Tasca, L.,Soucail, G., & Le F`evre, O. 2008, A&A, 478,971</ref>, обучая модели на изображениях далёких галактик. Дополнительной сложностью вышеприведённой и прочих работ на ту же тему являются визуальные ограничения имеющихся изображений, такие, как мерцание, смещение, размытие и [https://ru.wikipedia.org/wiki/Красное_смещение красное смещение].

Метод опорных векторов также может быть использован для классификации<ref>''Qu, M., Shih, F.Y., Jing, J. et al.'' Automatic Detection and Classification of Coronal Mass Ejections. Sol Phys 237, 419–431 (2006)</ref> [https://ru.wikipedia.com/Корональные_выбросы_массы корональных выбросов массы], определения их силы, источника и направления по данным [https://en.wikipedia.org/wiki/Large_Angle_and_Spectrometric_Coronagraph LASCO], или для классификации звёзд и планет.<ref>Kov ́acs, A., & Szapudi, I. 2015, MNRAS, 448,1305</ref>

==== Cлучайные леса ====
[[ Дерево решений и случайный лес | Случайные леса ]] (англ. ''random forest'') используются для решения задач классификации и регрессии. В пример можно привести следующие исследования:
* Определение величины красного смещения по изображению<ref>Carliles, S., Budav ́ari, T., Heinis, S., Priebe, C., &Szalay, A. S. 2010, ApJ, 712, 511</ref>
* Классификация<ref>Bloom, J. S., Richards, J. W., Nugent, P. E., et al.2012, PASP, 124, 1175</ref> кратковременных астрономических событий и [https://ru.wikipedia.org/wiki/Переменная_звезда переменных звезд]
* Классификация звезд и планет<ref>Miller, A. A., Kulkarni, M. K., Cao, Y., et al.2017, AJ, 153, 73</ref>

==== Нейронные сети ====

=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] ===
Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
==== Кластеризация ====
==== Уменьшение размерности ====
==== Визуализация и обнаружение выбросов ====

==Источники информации==
<references />

Обсуждение участника:Qrort

2021-01-07T16:59:00Z

176.59.214.143: /* Cлучайные леса */

== Машинное обучение в астрономии ==
Астрономия переживает стремительный рост объема и сложности данных. Существует множество проектов, исследующих и собирающих многоспектральные изображения неба, разновременную и многоволновую информацию, например, [https://www.sdss.org/ SDSS]. Соответственно, в последние годы алгоритмы машинного обучения становятся все более популярными среди астрономов и в настоящее время используются для решения самых разнообразных задач. В этой статье кратко приводится практическая информация о применении инструментов машинного обучения к астрономическим данным.

=== [[Общие понятия#Классификация задач машинного обучения | Обучение с учителем ]] ===
В этом разделе рассматриваются алгоритмы, наиболее часто встречающиеся в научных работах астрономической тематики, и конкретные модели этих работ.
==== Метод опорных векторов ====
[[ Метод_опорных_векторов_(SVM) | Метод опорных векторов ]] (англ. ''support vector machine, SVM'') является популярным алгоритмом для решения задач классификации.
Астрономы используют метод опорных векторов для определения типа галактик по их морфологическим признакам <ref>Huertas-Company, M., Rouan, D., Tasca, L.,Soucail, G., & Le F`evre, O. 2008, A&A, 478,971</ref>, обучая модели на изображениях далёких галактик. Дополнительной сложностью вышеприведённой и прочих работ на ту же тему являются визуальные ограничения имеющихся изображений, такие, как мерцание, смещение, размытие и [https://ru.wikipedia.org/wiki/Красное_смещение красное смещение].

Метод опорных векторов также может быть использован для классификации<ref>''Qu, M., Shih, F.Y., Jing, J. et al.'' Automatic Detection and Classification of Coronal Mass Ejections. Sol Phys 237, 419–431 (2006)</ref> [https://ru.wikipedia.com/Корональные_выбросы_массы корональных выбросов массы], определения их силы, источника и направления по данным [https://en.wikipedia.org/wiki/Large_Angle_and_Spectrometric_Coronagraph LASCO], или для классификации звёзд и планет.<ref>Kov ́acs, A., & Szapudi, I. 2015, MNRAS, 448,1305</ref>

==== Cлучайные леса ====
[[ Дерево решений и случайный лес | Случайные леса ]] (англ. ''random forest'') используются для решения задач классификации и регрессии. В пример можно привести следующие исследования:
* Определение величины красного смещения по изображению<ref>Carliles, S., Budav ́ari, T., Heinis, S., Priebe, C., &Szalay, A. S. 2010, ApJ, 712, 511</ref>
* Классификация<ref>Bloom, J. S., Richards, J. W., Nugent, P. E., et al.2012, PASP, 124, 1175</ref> кратковременных астрономических событий и [https://ru.wikipedia.org/wiki/Переменная_звезда переменных звезд]
* <ref>Miller, A. A., Kulkarni, M. K., Cao, Y., et al.2017, AJ, 153, 73</ref>

==== Нейронные сети ====

=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] ===
Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
==== Кластеризация ====
==== Уменьшение размерности ====
==== Визуализация и обнаружение выбросов ====

==Источники информации==
<references />

Обсуждение участника:Qrort

2021-01-07T16:56:27Z

176.59.214.143: /* Cлучайные леса */

== Машинное обучение в астрономии ==
Астрономия переживает стремительный рост объема и сложности данных. Существует множество проектов, исследующих и собирающих многоспектральные изображения неба, разновременную и многоволновую информацию, например, [https://www.sdss.org/ SDSS]. Соответственно, в последние годы алгоритмы машинного обучения становятся все более популярными среди астрономов и в настоящее время используются для решения самых разнообразных задач. В этой статье кратко приводится практическая информация о применении инструментов машинного обучения к астрономическим данным.

=== [[Общие понятия#Классификация задач машинного обучения | Обучение с учителем ]] ===
В этом разделе рассматриваются алгоритмы, наиболее часто встречающиеся в научных работах астрономической тематики, и конкретные модели этих работ.
==== Метод опорных векторов ====
[[ Метод_опорных_векторов_(SVM) | Метод опорных векторов ]] (англ. ''support vector machine, SVM'') является популярным алгоритмом для решения задач классификации.
Астрономы используют метод опорных векторов для определения типа галактик по их морфологическим признакам <ref>Huertas-Company, M., Rouan, D., Tasca, L.,Soucail, G., & Le F`evre, O. 2008, A&A, 478,971</ref>, обучая модели на изображениях далёких галактик. Дополнительной сложностью вышеприведённой и прочих работ на ту же тему являются визуальные ограничения имеющихся изображений, такие, как мерцание, смещение, размытие и [https://ru.wikipedia.org/wiki/Красное_смещение красное смещение].

Метод опорных векторов также может быть использован для классификации<ref>''Qu, M., Shih, F.Y., Jing, J. et al.'' Automatic Detection and Classification of Coronal Mass Ejections. Sol Phys 237, 419–431 (2006)</ref> [https://ru.wikipedia.com/Корональные_выбросы_массы корональных выбросов массы], определения их силы, источника и направления по данным [https://en.wikipedia.org/wiki/Large_Angle_and_Spectrometric_Coronagraph LASCO], или для классификации звёзд и планет.<ref>Kov ́acs, A., & Szapudi, I. 2015, MNRAS, 448,1305</ref>

==== Cлучайные леса ====
[[ Дерево решений и случайный лес | Случайные леса ]] (англ. ''random forest'') также используются как классификаторы. В пример можно привести следующие исследования:
* Определение величины красного смещения по изображению<ref>Carliles, S., Budav ́ari, T., Heinis, S., Priebe, C., &Szalay, A. S. 2010, ApJ, 712, 511</ref>
* Определение кратковременных астрономических событий и [https://ru.wikipedia.org/wiki/Переменная_звезда переменных звезд]<ref>Bloom, J. S., Richards, J. W., Nugent, P. E., et al.2012, PASP, 124, 1175</ref>
*

==== Нейронные сети ====

=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] ===
Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
==== Кластеризация ====
==== Уменьшение размерности ====
==== Визуализация и обнаружение выбросов ====

==Источники информации==
<references />

Обсуждение участника:Qrort

2021-01-07T16:46:07Z

176.59.214.143: /* Машинное обучение в астрономии */

== Машинное обучение в астрономии ==
Астрономия переживает стремительный рост объема и сложности данных. Существует множество проектов, исследующих и собирающих многоспектральные изображения неба, разновременную и многоволновую информацию, например, [https://www.sdss.org/ SDSS]. Соответственно, в последние годы алгоритмы машинного обучения становятся все более популярными среди астрономов и в настоящее время используются для решения самых разнообразных задач. В этой статье кратко приводится практическая информация о применении инструментов машинного обучения к астрономическим данным.

=== [[Общие понятия#Классификация задач машинного обучения | Обучение с учителем ]] ===
В этом разделе рассматриваются алгоритмы, наиболее часто встречающиеся в научных работах астрономической тематики, и конкретные модели этих работ.
==== Метод опорных векторов ====
[[ Метод_опорных_векторов_(SVM) | Метод опорных векторов ]] (англ. ''support vector machine, SVM'') является популярным алгоритмом для решения задач классификации.
Астрономы используют метод опорных векторов для определения типа галактик по их морфологическим признакам <ref>Huertas-Company, M., Rouan, D., Tasca, L.,Soucail, G., & Le F`evre, O. 2008, A&A, 478,971</ref>, обучая модели на изображениях далёких галактик. Дополнительной сложностью вышеприведённой и прочих работ на ту же тему являются визуальные ограничения имеющихся изображений, такие, как мерцание, смещение, размытие и [https://ru.wikipedia.org/wiki/Красное_смещение красное смещение].

Метод опорных векторов также может быть использован для классификации<ref>''Qu, M., Shih, F.Y., Jing, J. et al.'' Automatic Detection and Classification of Coronal Mass Ejections. Sol Phys 237, 419–431 (2006)</ref> [https://ru.wikipedia.com/Корональные_выбросы_массы корональных выбросов массы], определения их силы, источника и направления по данным [https://en.wikipedia.org/wiki/Large_Angle_and_Spectrometric_Coronagraph LASCO], или для классификации звёзд и планет.<ref>Kov ́acs, A., & Szapudi, I. 2015, MNRAS, 448,1305</ref>

==== Cлучайные леса ====
[[ Дерево решений и случайный лес | Случайные леса ]] (англ. ''random forest'') также используются как классификаторы. В пример можно привести следующие исследования:
* Определение величины красного смещения по изображению<ref>Carliles, S., Budav ́ari, T., Heinis, S., Priebe, C., &Szalay, A. S. 2010, ApJ, 712, 511</ref>
* <ref>Bloom, J. S., Richards, J. W., Nugent, P. E., et al.2012, PASP, 124, 1175</ref>
*

==== Нейронные сети ====

=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] ===
Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
==== Кластеризация ====
==== Уменьшение размерности ====
==== Визуализация и обнаружение выбросов ====

==Источники информации==
<references />

Обсуждение участника:Qrort

2021-01-07T16:41:12Z

176.59.214.143: /* Машинное обучение в астрономии */

== Машинное обучение в астрономии ==
Астрономия переживает стремительный рост объема и сложности данных. Соответственно, в последние годы алгоритмы машинного обучения становятся все более популярными среди астрономов и в настоящее время используются для решения самых разнообразных задач. В этой статье кратко приводится практическая информация о применении инструментов машинного обучения к астрономическим данным. В этом документе освещаются основные темы контролируемого машинного обучения, включая отбор и предварительную обработку входного набора данных, методы оценки и три популярных алгоритма контролируемого обучения, машины опорных векторов, случайные леса и неглубокие искусственные нейронные сети. Mymain фокусируется на неконтролируемых алгоритмах машинного обучения,которые используются для выполнения кластерного анализа, уменьшения размерности, визуализации и обнаружения выбросов. Алгоритмы неконтролируемого обучения имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
=== [[Общие понятия#Классификация задач машинного обучения | Обучение с учителем ]] ===
В этом разделе рассматриваются алгоритмы, наиболее часто встречающиеся в научных работах астрономической тематики, и конкретные модели этих работ.
==== Метод опорных векторов ====
[[ Метод_опорных_векторов_(SVM) | Метод опорных векторов ]] (англ. ''support vector machine, SVM'') является популярным алгоритмом для решения задач классификации.
Астрономы используют метод опорных векторов для определения типа галактик по их морфологическим признакам <ref>Huertas-Company, M., Rouan, D., Tasca, L.,Soucail, G., & Le F`evre, O. 2008, A&A, 478,971</ref>, обучая модели на изображениях далёких галактик. Дополнительной сложностью вышеприведённой и прочих работ на ту же тему являются визуальные ограничения имеющихся изображений, такие, как мерцание, смещение, размытие и [https://ru.wikipedia.org/wiki/Красное_смещение красное смещение].

Метод опорных векторов также может быть использован для классификации<ref>''Qu, M., Shih, F.Y., Jing, J. et al.'' Automatic Detection and Classification of Coronal Mass Ejections. Sol Phys 237, 419–431 (2006)</ref> [https://ru.wikipedia.com/Корональные_выбросы_массы корональных выбросов массы], определения их силы, источника и направления по данным [https://en.wikipedia.org/wiki/Large_Angle_and_Spectrometric_Coronagraph LASCO], или для классификации звёзд и планет.<ref>Kov ́acs, A., & Szapudi, I. 2015, MNRAS, 448,1305</ref>

==== Cлучайные леса ====
[[ Дерево решений и случайный лес | Случайные леса ]] (англ. ''random forest'') также используются как классификаторы. В пример можно привести следующие исследования:
* Определение величины красного смещения по изображению<ref>Carliles, S., Budav ́ari, T., Heinis, S., Priebe, C., &Szalay, A. S. 2010, ApJ, 712, 511</ref>
* <ref>Bloom, J. S., Richards, J. W., Nugent, P. E., et al.2012, PASP, 124, 1175</ref>
*

==== Нейронные сети ====

=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] ===
Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
==== Кластеризация ====
==== Уменьшение размерности ====
==== Визуализация и обнаружение выбросов ====

==Источники информации==
<references />

Обсуждение участника:Qrort

2021-01-07T16:38:28Z

176.59.214.143: /* Cлучайные леса */

== Машинное обучение в астрономии ==
Астрономия переживает стремительный рост объема и сложности данных. Соответственно, в последние годы алгоритмы машинного обучения становятся все более популярными среди астрономов и в настоящее время используются для решения самых разнообразных задач. В этой статье кратко приводится практическая информация о применении инструментов машинного обучения к астрономическим данным. В этом документе я освещаю основные темы контролируемого машинного обучения, включая отбор и предварительную обработку входного набора данных, методы оценки и три популярных алгоритма контролируемого обучения, машины опорных векторов, случайные леса и неглубокие искусственные нейронные сети. Mymain фокусируется на неконтролируемых алгоритмах машинного обучения,которые используются для выполнения кластерного анализа, уменьшения размерности, визуализации и обнаружения выбросов. Алгоритмы неконтролируемого обучения имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
=== [[Общие понятия#Классификация задач машинного обучения | Обучение с учителем ]] ===
В этом разделе рассматриваются алгоритмы, наиболее часто встречающиеся в научных работах астрономической тематики, и конкретные модели этих работ.
==== Метод опорных векторов ====
[[ Метод_опорных_векторов_(SVM) | Метод опорных векторов ]] (англ. ''support vector machine, SVM'') является популярным алгоритмом для решения задач классификации.
Астрономы используют метод опорных векторов для определения типа галактик по их морфологическим признакам <ref>Huertas-Company, M., Rouan, D., Tasca, L.,Soucail, G., & Le F`evre, O. 2008, A&A, 478,971</ref>, обучая модели на изображениях далёких галактик. Дополнительной сложностью вышеприведённой и прочих работ на ту же тему являются визуальные ограничения имеющихся изображений, такие, как мерцание, смещение, размытие и [https://ru.wikipedia.org/wiki/Красное_смещение красное смещение].

Метод опорных векторов также может быть использован для классификации<ref>''Qu, M., Shih, F.Y., Jing, J. et al.'' Automatic Detection and Classification of Coronal Mass Ejections. Sol Phys 237, 419–431 (2006)</ref> [https://ru.wikipedia.com/Корональные_выбросы_массы корональных выбросов массы], определения их силы, источника и направления по данным [https://en.wikipedia.org/wiki/Large_Angle_and_Spectrometric_Coronagraph LASCO], или для классификации звёзд и планет.<ref>Kov ́acs, A., & Szapudi, I. 2015, MNRAS, 448,1305</ref>

==== Cлучайные леса ====
[[ Дерево решений и случайный лес | Случайные леса ]] (англ. ''random forest'') также используются как классификаторы. В пример можно привести следующие исследования:
* Определение величины красного смещения по изображению<ref>Carliles, S., Budav ́ari, T., Heinis, S., Priebe, C., &Szalay, A. S. 2010, ApJ, 712, 511</ref>
* <ref>Bloom, J. S., Richards, J. W., Nugent, P. E., et al.2012, PASP, 124, 1175</ref>
*

==== Нейронные сети ====

=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] ===
Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
==== Кластеризация ====
==== Уменьшение размерности ====
==== Визуализация и обнаружение выбросов ====
==Источники информации==
<references />

Обсуждение участника:Qrort

2021-01-07T16:34:22Z

176.59.214.143: /* Случайные леса */

== Машинное обучение в астрономии ==
Астрономия переживает стремительный рост объема и сложности данных. Соответственно, в последние годы алгоритмы машинного обучения становятся все более популярными среди астрономов и в настоящее время используются для решения самых разнообразных задач. В этой статье кратко приводится практическая информация о применении инструментов машинного обучения к астрономическим данным. В этом документе я освещаю основные темы контролируемого машинного обучения, включая отбор и предварительную обработку входного набора данных, методы оценки и три популярных алгоритма контролируемого обучения, машины опорных векторов, случайные леса и неглубокие искусственные нейронные сети. Mymain фокусируется на неконтролируемых алгоритмах машинного обучения,которые используются для выполнения кластерного анализа, уменьшения размерности, визуализации и обнаружения выбросов. Алгоритмы неконтролируемого обучения имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
=== [[Общие понятия#Классификация задач машинного обучения | Обучение с учителем ]] ===
В этом разделе рассматриваются алгоритмы, наиболее часто встречающиеся в научных работах астрономической тематики, и конкретные модели этих работ.
==== Метод опорных векторов ====
[[ Метод_опорных_векторов_(SVM) | Метод опорных векторов ]] (англ. ''support vector machine, SVM'') является популярным алгоритмом для решения задач классификации.
Астрономы используют метод опорных векторов для определения типа галактик по их морфологическим признакам <ref>Huertas-Company, M., Rouan, D., Tasca, L.,Soucail, G., & Le F`evre, O. 2008, A&A, 478,971</ref>, обучая модели на изображениях далёких галактик. Дополнительной сложностью вышеприведённой и прочих работ на ту же тему являются визуальные ограничения имеющихся изображений, такие, как мерцание, смещение, размытие и [https://ru.wikipedia.org/wiki/Красное_смещение красное смещение].

Метод опорных векторов также может быть использован для классификации<ref>''Qu, M., Shih, F.Y., Jing, J. et al.'' Automatic Detection and Classification of Coronal Mass Ejections. Sol Phys 237, 419–431 (2006)</ref> [https://ru.wikipedia.com/Корональные_выбросы_массы корональных выбросов массы], определения их силы, источника и направления по данным [https://en.wikipedia.org/wiki/Large_Angle_and_Spectrometric_Coronagraph LASCO], или для классификации звёзд и планет.<ref>Kov ́acs, A., & Szapudi, I. 2015, MNRAS, 448,1305</ref>

==== Cлучайные леса ====
[[ Дерево решений и случайный лес | Случайные леса ]] (англ. ''random forest'') также используются как классификаторы. В пример можно привести следующие исследования:
*
*
*

==== Нейронные сети ====

=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] ===
Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
==== Кластеризация ====
==== Уменьшение размерности ====
==== Визуализация и обнаружение выбросов ====
==Источники информации==
<references />

Обсуждение участника:Qrort

2021-01-07T16:33:29Z

176.59.214.143: /* Метод опорных векторов */

== Машинное обучение в астрономии ==
Астрономия переживает стремительный рост объема и сложности данных. Соответственно, в последние годы алгоритмы машинного обучения становятся все более популярными среди астрономов и в настоящее время используются для решения самых разнообразных задач. В этой статье кратко приводится практическая информация о применении инструментов машинного обучения к астрономическим данным. В этом документе я освещаю основные темы контролируемого машинного обучения, включая отбор и предварительную обработку входного набора данных, методы оценки и три популярных алгоритма контролируемого обучения, машины опорных векторов, случайные леса и неглубокие искусственные нейронные сети. Mymain фокусируется на неконтролируемых алгоритмах машинного обучения,которые используются для выполнения кластерного анализа, уменьшения размерности, визуализации и обнаружения выбросов. Алгоритмы неконтролируемого обучения имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
=== [[Общие понятия#Классификация задач машинного обучения | Обучение с учителем ]] ===
В этом разделе рассматриваются алгоритмы, наиболее часто встречающиеся в научных работах астрономической тематики, и конкретные модели этих работ.
==== Метод опорных векторов ====
[[ Метод_опорных_векторов_(SVM) | Метод опорных векторов ]] (англ. ''support vector machine, SVM'') является популярным алгоритмом для решения задач классификации.
Астрономы используют метод опорных векторов для определения типа галактик по их морфологическим признакам <ref>Huertas-Company, M., Rouan, D., Tasca, L.,Soucail, G., & Le F`evre, O. 2008, A&A, 478,971</ref>, обучая модели на изображениях далёких галактик. Дополнительной сложностью вышеприведённой и прочих работ на ту же тему являются визуальные ограничения имеющихся изображений, такие, как мерцание, смещение, размытие и [https://ru.wikipedia.org/wiki/Красное_смещение красное смещение].

Метод опорных векторов также может быть использован для классификации<ref>''Qu, M., Shih, F.Y., Jing, J. et al.'' Automatic Detection and Classification of Coronal Mass Ejections. Sol Phys 237, 419–431 (2006)</ref> [https://ru.wikipedia.com/Корональные_выбросы_массы корональных выбросов массы], определения их силы, источника и направления по данным [https://en.wikipedia.org/wiki/Large_Angle_and_Spectrometric_Coronagraph LASCO], или для классификации звёзд и планет.<ref>Kov ́acs, A., & Szapudi, I. 2015, MNRAS, 448,1305</ref>

==== [[ Дерево решений и случайный лес | Случайные леса ]] ====
Случайные леса (англ. ''random forest'') также используются как классификаторы. В пример можно привести следующие исследования:
*
*
*

==== Нейронные сети ====

=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] ===
Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
==== Кластеризация ====
==== Уменьшение размерности ====
==== Визуализация и обнаружение выбросов ====
==Источники информации==
<references />

Обсуждение участника:Qrort

2021-01-07T16:32:59Z

176.59.214.143: /* Метод опорных векторов */

== Машинное обучение в астрономии ==
Астрономия переживает стремительный рост объема и сложности данных. Соответственно, в последние годы алгоритмы машинного обучения становятся все более популярными среди астрономов и в настоящее время используются для решения самых разнообразных задач. В этой статье кратко приводится практическая информация о применении инструментов машинного обучения к астрономическим данным. В этом документе я освещаю основные темы контролируемого машинного обучения, включая отбор и предварительную обработку входного набора данных, методы оценки и три популярных алгоритма контролируемого обучения, машины опорных векторов, случайные леса и неглубокие искусственные нейронные сети. Mymain фокусируется на неконтролируемых алгоритмах машинного обучения,которые используются для выполнения кластерного анализа, уменьшения размерности, визуализации и обнаружения выбросов. Алгоритмы неконтролируемого обучения имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
=== [[Общие понятия#Классификация задач машинного обучения | Обучение с учителем ]] ===
В этом разделе рассматриваются алгоритмы, наиболее часто встречающиеся в научных работах астрономической тематики, и конкретные модели этих работ.
==== Метод опорных векторов ====
[[ Метод_опорных_векторов_(SVM) | Метод опорных векторов ]] (англ. ''support vector machine, SVM'') является популярным алгоритмом для решения задач классификации.
Астрономы используют метод опорных векторов для определения типа галактик по их морфологическим признакам <ref>Huertas-Company, M., Rouan, D., Tasca, L.,Soucail, G., & Le F`evre, O. 2008, A&A, 478,971</ref>, обучая модели на изображениях далёких галактик. Дополнительной сложностью вышеприведённой и прочих работ на ту же тему являются визуальные ограничения имеющихся изображений, такие, как мерцание, смещение, размытие и [https://ru.wikipedia.org/wiki/Красное_смещение красное смещение].

Метод опорных векторов также может быть использован для классификации [https://ru.wikipedia.com/Корональные_выбросы_массы корональных выбросов массы]<ref>''Qu, M., Shih, F.Y., Jing, J. et al.'' Automatic Detection and Classification of Coronal Mass Ejections. Sol Phys 237, 419–431 (2006)</ref>, определения их силы, источника и направления по данным [https://en.wikipedia.org/wiki/Large_Angle_and_Spectrometric_Coronagraph LASCO], или для классификации звёзд и планет<ref>Kov ́acs, A., & Szapudi, I. 2015, MNRAS, 448,1305</ref>

==== [[ Дерево решений и случайный лес | Случайные леса ]] ====
Случайные леса (англ. ''random forest'') также используются как классификаторы. В пример можно привести следующие исследования:
*
*
*

==== Нейронные сети ====

=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] ===
Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
==== Кластеризация ====
==== Уменьшение размерности ====
==== Визуализация и обнаружение выбросов ====
==Источники информации==
<references />

Обсуждение участника:Qrort

2021-01-07T16:30:17Z

176.59.214.143:

== Машинное обучение в астрономии ==
Астрономия переживает стремительный рост объема и сложности данных. Соответственно, в последние годы алгоритмы машинного обучения становятся все более популярными среди астрономов и в настоящее время используются для решения самых разнообразных задач. В этой статье кратко приводится практическая информация о применении инструментов машинного обучения к астрономическим данным. В этом документе я освещаю основные темы контролируемого машинного обучения, включая отбор и предварительную обработку входного набора данных, методы оценки и три популярных алгоритма контролируемого обучения, машины опорных векторов, случайные леса и неглубокие искусственные нейронные сети. Mymain фокусируется на неконтролируемых алгоритмах машинного обучения,которые используются для выполнения кластерного анализа, уменьшения размерности, визуализации и обнаружения выбросов. Алгоритмы неконтролируемого обучения имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
=== [[Общие понятия#Классификация задач машинного обучения | Обучение с учителем ]] ===
В этом разделе рассматриваются алгоритмы, наиболее часто встречающиеся в научных работах астрономической тематики, и конкретные модели этих работ.
==== Метод опорных векторов ====
[[ Метод_опорных_векторов_(SVM) | Метод опорных векторов ]] (англ. ''support vector machine, SVM'') является популярным алгоритмом для решения задач классификации.
Астрономы используют метод опорных векторов для определения типа галактик по их морфологическим признакам <ref>''M. Huertas-Company, L. Tasca, D. Rouan, D. Pelat, J.P.Kneib, O.LeFèvre, P. Capak, J. Kartaltepe, A.Koekemoer, H. J. McCracken, M.Salvato, D.B.Sanders, and C. Willott'' A robust morphological classification of high-redshift galaxies using support vector machines on seeing limited images, 2009</ref>, обучая модели на изображениях далёких галактик. Дополнительной сложностью вышеприведённой и прочих работ на ту же тему являются визуальные ограничения имеющихся изображений, такие, как мерцание, смещение, размытие и [https://ru.wikipedia.org/wiki/Красное_смещение красное смещение].

Метод опорных векторов также может быть использован для классификации [https://ru.wikipedia.com/Корональные_выбросы_массы корональных выбросов массы] [https://link.springer.com/article/10.1007/s11207-006-0114-5 (Qu et al. 2003)], определения их силы, источника и направления по данным [https://en.wikipedia.org/wiki/Large_Angle_and_Spectrometric_Coronagraph LASCO], или для классификации звёзд и планет [https://watermark.silverchair.com/sty2579.pdf?token=AQECAHi208BE49Ooan9kkhW_Ercy7Dm3ZL_9Cf3qfKAc485ysgAAAqYwggKiBgkqhkiG9w0BBwagggKTMIICjwIBADCCAogGCSqGSIb3DQEHATAeBglghkgBZQMEAS4wEQQMYWHuh3Kont4jgQLqAgEQgIICWYeVIEHHKP1kAok1BSYkuMiuQ_SsAPlGIcl_3e4vwIrKghHvZ56QRtaSNkqB3p6ZCGbeb2aICpB2L7JbwMHY-QohY3PHI4-m-2OxAFXe-exrAt0fGrhJSwMWUFJpFyg_QPbrOrNOJbIZfsEEwBKEjSBNcf2c_zjbvvfg14Q5Zxe54zt8WfqIUNebDGX4ByklhNHWgc5doQU3INdCzd2Br3AeW5dcnys_Fu2XgBu7F2LoWcE8hboh2n_y2mjWGpVsojfH31ar-VazJIJ6B_yJIV-VC5FBLMvyZko4zMhJEVkQw7Xm4kPDtTdiB-zhqBH67MQeFEglrdBNnxKI9Dv17zzagJEZrs8oVuY8QQ3m8CI1iKaNs6t7s7M3dfioNpuAKjRYxLoB_L-FdWojBGCQ4jhL7Xo94JkCfbVSEksM0j6_YST4-Hoh_EdIz31MTswITGHp3KtphE1ptfOvJ23wszooakCAuG9mnws67wrwLYEeHuC07hiQpudVnWg0Di8ZTk4Tm-Q-p6JwkuYCTz_h0saiJXybefN000KxWAZpO4pe0Yhl7y8uHPZ0xVuDp7Gp41RhG_irYvYWfiBxm4uhkAOt0gFSrV437k-rqwvs1ILCuh6-WpaauV2-N3pGPJMdoKzablqdUFwqGbQuG7iR7d0dMznTJeG1HV_hMhOYZgp_mm87_rqXV2AvsDC_d9s6ygjG91aWYTWSzBJiTfhScHTOv9xGMCXAVFcSnU614J_UuqfhLNSffKcHbTKGwLBPif5IDh1QOsMxNTp-JaqubwDmac2Y5qVy95I (Kovacs & Szapudi, 2015)]

==== [[ Дерево решений и случайный лес | Случайные леса ]] ====
Случайные леса (англ. ''random forest'') также используются как классификаторы. В пример можно привести следующие исследования:
*
*
*

==== Нейронные сети ====

=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] ===
Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
==== Кластеризация ====
==== Уменьшение размерности ====
==== Визуализация и обнаружение выбросов ====
==Источники информации==
<references />

Обсуждение участника:Qrort

2021-01-07T16:28:46Z

176.59.214.143: /* Источники информации */

== Машинное обучение в астрономии ==
Астрономия переживает стремительный рост объема и сложности данных. Соответственно, в последние годы алгоритмы машинного обучения становятся все более популярными среди астрономов и в настоящее время используются для решения самых разнообразных задач. В этой статье кратко приводится практическая информация о применении инструментов машинного обучения к астрономическим данным. В этом документе я освещаю основные темы контролируемого машинного обучения, включая отбор и предварительную обработку входного набора данных, методы оценки и три популярных алгоритма контролируемого обучения, машины опорных векторов, случайные леса и неглубокие искусственные нейронные сети. Mymain фокусируется на неконтролируемых алгоритмах машинного обучения,которые используются для выполнения кластерного анализа, уменьшения размерности, визуализации и обнаружения выбросов. Алгоритмы неконтролируемого обучения имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
=== [[Общие понятия#Классификация задач машинного обучения | Обучение с учителем ]] ===
В этом разделе рассматриваются алгоритмы, наиболее часто встречающиеся в научных работах астрономической тематики, и конкретные модели этих работ.
==== Метод опорных векторов ====
[[ Метод_опорных_векторов_(SVM) | Метод опорных векторов ]] (англ. ''support vector machine, SVM'') является популярным алгоритмом для решения задач классификации.
Астрономы используют метод опорных векторов для определения типа галактик по их морфологическим признакам <ref>M. Huertas-Company, L. Tasca, D. Rouan, D. Pelat, J.P.Kneib, O.LeFèvre, P. Capak, J. Kartaltepe, A.Koekemoer, H. J. McCracken, M.Salvato, D.B.Sanders, and C. Willott A robust morphological classification of high-redshift galaxiesusing support vector machines on seeing limited images, 2009<\ref>, обучая модели на изображениях далёких галактик. Дополнительной сложностью вышеприведённой и прочих работ на ту же тему являются визуальные ограничения имеющихся изображений, такие, как мерцание, смещение, размытие и [https://ru.wikipedia.org/wiki/Красное_смещение красное смещение].

Метод опорных векторов также может быть использован для классификации [https://ru.wikipedia.com/Корональные_выбросы_массы корональных выбросов массы] [https://link.springer.com/article/10.1007/s11207-006-0114-5 (Qu et al. 2003)], определения их силы, источника и направления по данным [https://en.wikipedia.org/wiki/Large_Angle_and_Spectrometric_Coronagraph LASCO], или для классификации звёзд и планет [https://watermark.silverchair.com/sty2579.pdf?token=AQECAHi208BE49Ooan9kkhW_Ercy7Dm3ZL_9Cf3qfKAc485ysgAAAqYwggKiBgkqhkiG9w0BBwagggKTMIICjwIBADCCAogGCSqGSIb3DQEHATAeBglghkgBZQMEAS4wEQQMYWHuh3Kont4jgQLqAgEQgIICWYeVIEHHKP1kAok1BSYkuMiuQ_SsAPlGIcl_3e4vwIrKghHvZ56QRtaSNkqB3p6ZCGbeb2aICpB2L7JbwMHY-QohY3PHI4-m-2OxAFXe-exrAt0fGrhJSwMWUFJpFyg_QPbrOrNOJbIZfsEEwBKEjSBNcf2c_zjbvvfg14Q5Zxe54zt8WfqIUNebDGX4ByklhNHWgc5doQU3INdCzd2Br3AeW5dcnys_Fu2XgBu7F2LoWcE8hboh2n_y2mjWGpVsojfH31ar-VazJIJ6B_yJIV-VC5FBLMvyZko4zMhJEVkQw7Xm4kPDtTdiB-zhqBH67MQeFEglrdBNnxKI9Dv17zzagJEZrs8oVuY8QQ3m8CI1iKaNs6t7s7M3dfioNpuAKjRYxLoB_L-FdWojBGCQ4jhL7Xo94JkCfbVSEksM0j6_YST4-Hoh_EdIz31MTswITGHp3KtphE1ptfOvJ23wszooakCAuG9mnws67wrwLYEeHuC07hiQpudVnWg0Di8ZTk4Tm-Q-p6JwkuYCTz_h0saiJXybefN000KxWAZpO4pe0Yhl7y8uHPZ0xVuDp7Gp41RhG_irYvYWfiBxm4uhkAOt0gFSrV437k-rqwvs1ILCuh6-WpaauV2-N3pGPJMdoKzablqdUFwqGbQuG7iR7d0dMznTJeG1HV_hMhOYZgp_mm87_rqXV2AvsDC_d9s6ygjG91aWYTWSzBJiTfhScHTOv9xGMCXAVFcSnU614J_UuqfhLNSffKcHbTKGwLBPif5IDh1QOsMxNTp-JaqubwDmac2Y5qVy95I (Kovacs & Szapudi, 2015)]

==== [[ Дерево решений и случайный лес | Случайные леса ]] ====
Случайные леса (англ. ''random forest'') также используются как классификаторы. В пример можно привести следующие исследования:
*
*
*

==== Нейронные сети ====

=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] ===
Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
==== Кластеризация ====
==== Уменьшение размерности ====
==== Визуализация и обнаружение выбросов ====
==Источники информации==
<references />

Обсуждение участника:Qrort

2021-01-07T16:28:29Z

176.59.214.143:

== Машинное обучение в астрономии ==
Астрономия переживает стремительный рост объема и сложности данных. Соответственно, в последние годы алгоритмы машинного обучения становятся все более популярными среди астрономов и в настоящее время используются для решения самых разнообразных задач. В этой статье кратко приводится практическая информация о применении инструментов машинного обучения к астрономическим данным. В этом документе я освещаю основные темы контролируемого машинного обучения, включая отбор и предварительную обработку входного набора данных, методы оценки и три популярных алгоритма контролируемого обучения, машины опорных векторов, случайные леса и неглубокие искусственные нейронные сети. Mymain фокусируется на неконтролируемых алгоритмах машинного обучения,которые используются для выполнения кластерного анализа, уменьшения размерности, визуализации и обнаружения выбросов. Алгоритмы неконтролируемого обучения имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
=== [[Общие понятия#Классификация задач машинного обучения | Обучение с учителем ]] ===
В этом разделе рассматриваются алгоритмы, наиболее часто встречающиеся в научных работах астрономической тематики, и конкретные модели этих работ.
==== Метод опорных векторов ====
[[ Метод_опорных_векторов_(SVM) | Метод опорных векторов ]] (англ. ''support vector machine, SVM'') является популярным алгоритмом для решения задач классификации.
Астрономы используют метод опорных векторов для определения типа галактик по их морфологическим признакам <ref>M. Huertas-Company, L. Tasca, D. Rouan, D. Pelat, J.P.Kneib, O.LeFèvre, P. Capak, J. Kartaltepe, A.Koekemoer, H. J. McCracken, M.Salvato, D.B.Sanders, and C. Willott A robust morphological classification of high-redshift galaxiesusing support vector machines on seeing limited images, 2009<\ref>, обучая модели на изображениях далёких галактик. Дополнительной сложностью вышеприведённой и прочих работ на ту же тему являются визуальные ограничения имеющихся изображений, такие, как мерцание, смещение, размытие и [https://ru.wikipedia.org/wiki/Красное_смещение красное смещение].

Метод опорных векторов также может быть использован для классификации [https://ru.wikipedia.com/Корональные_выбросы_массы корональных выбросов массы] [https://link.springer.com/article/10.1007/s11207-006-0114-5 (Qu et al. 2003)], определения их силы, источника и направления по данным [https://en.wikipedia.org/wiki/Large_Angle_and_Spectrometric_Coronagraph LASCO], или для классификации звёзд и планет [https://watermark.silverchair.com/sty2579.pdf?token=AQECAHi208BE49Ooan9kkhW_Ercy7Dm3ZL_9Cf3qfKAc485ysgAAAqYwggKiBgkqhkiG9w0BBwagggKTMIICjwIBADCCAogGCSqGSIb3DQEHATAeBglghkgBZQMEAS4wEQQMYWHuh3Kont4jgQLqAgEQgIICWYeVIEHHKP1kAok1BSYkuMiuQ_SsAPlGIcl_3e4vwIrKghHvZ56QRtaSNkqB3p6ZCGbeb2aICpB2L7JbwMHY-QohY3PHI4-m-2OxAFXe-exrAt0fGrhJSwMWUFJpFyg_QPbrOrNOJbIZfsEEwBKEjSBNcf2c_zjbvvfg14Q5Zxe54zt8WfqIUNebDGX4ByklhNHWgc5doQU3INdCzd2Br3AeW5dcnys_Fu2XgBu7F2LoWcE8hboh2n_y2mjWGpVsojfH31ar-VazJIJ6B_yJIV-VC5FBLMvyZko4zMhJEVkQw7Xm4kPDtTdiB-zhqBH67MQeFEglrdBNnxKI9Dv17zzagJEZrs8oVuY8QQ3m8CI1iKaNs6t7s7M3dfioNpuAKjRYxLoB_L-FdWojBGCQ4jhL7Xo94JkCfbVSEksM0j6_YST4-Hoh_EdIz31MTswITGHp3KtphE1ptfOvJ23wszooakCAuG9mnws67wrwLYEeHuC07hiQpudVnWg0Di8ZTk4Tm-Q-p6JwkuYCTz_h0saiJXybefN000KxWAZpO4pe0Yhl7y8uHPZ0xVuDp7Gp41RhG_irYvYWfiBxm4uhkAOt0gFSrV437k-rqwvs1ILCuh6-WpaauV2-N3pGPJMdoKzablqdUFwqGbQuG7iR7d0dMznTJeG1HV_hMhOYZgp_mm87_rqXV2AvsDC_d9s6ygjG91aWYTWSzBJiTfhScHTOv9xGMCXAVFcSnU614J_UuqfhLNSffKcHbTKGwLBPif5IDh1QOsMxNTp-JaqubwDmac2Y5qVy95I (Kovacs & Szapudi, 2015)]

==== [[ Дерево решений и случайный лес | Случайные леса ]] ====
Случайные леса (англ. ''random forest'') также используются как классификаторы. В пример можно привести следующие исследования:
*
*
*

==== Нейронные сети ====

=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] ===
Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
==== Кластеризация ====
==== Уменьшение размерности ====
==== Визуализация и обнаружение выбросов ====
==Источники информации==

Обсуждение участника:Qrort

2021-01-07T16:21:51Z

176.59.214.143: /* Случайные леса */

== Машинное обучение в астрономии ==
Астрономия переживает стремительный рост объема и сложности данных. Соответственно, в последние годы алгоритмы машинного обучения становятся все более популярными среди астрономов и в настоящее время используются для решения самых разнообразных задач. В этой статье кратко приводится практическая информация о применении инструментов машинного обучения к астрономическим данным. В этом документе я освещаю основные темы контролируемого машинного обучения, включая отбор и предварительную обработку входного набора данных, методы оценки и три популярных алгоритма контролируемого обучения, машины опорных векторов, случайные леса и неглубокие искусственные нейронные сети. Mymain фокусируется на неконтролируемых алгоритмах машинного обучения,которые используются для выполнения кластерного анализа, уменьшения размерности, визуализации и обнаружения выбросов. Алгоритмы неконтролируемого обучения имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
=== [[Общие понятия#Классификация задач машинного обучения | Обучение с учителем ]] ===
В этом разделе рассматриваются алгоритмы, наиболее часто встречающиеся в научных работах астрономической тематики, и конкретные модели этих работ.
==== Метод опорных векторов ====
[[ Метод_опорных_векторов_(SVM) | Метод опорных векторов ]] (англ. ''support vector machine, SVM'') является популярным алгоритмом для решения задач классификации.
Астрономы используют метод опорных векторов для определения типа галактик по их морфологическим признакам [https://www.aanda.org/articles/aa/pdf/2009/15/aa11255-08.pdf (M. Huertas-Company et Al. 2008)], обучая модели на изображениях далёких галактик. Дополнительной сложностью вышеприведённой и прочих работ на ту же тему являются визуальные ограничения имеющихся изображений, такие, как мерцание, смещение, размытие и [https://ru.wikipedia.org/wiki/Красное_смещение красное смещение].

Метод опорных векторов также может быть использован для классификации [https://ru.wikipedia.com/Корональные_выбросы_массы корональных выбросов массы] [https://link.springer.com/article/10.1007/s11207-006-0114-5 (Qu et al. 2003)], определения их силы, источника и направления по данным [https://en.wikipedia.org/wiki/Large_Angle_and_Spectrometric_Coronagraph LASCO], или для классификации звёзд и планет [https://watermark.silverchair.com/sty2579.pdf?token=AQECAHi208BE49Ooan9kkhW_Ercy7Dm3ZL_9Cf3qfKAc485ysgAAAqYwggKiBgkqhkiG9w0BBwagggKTMIICjwIBADCCAogGCSqGSIb3DQEHATAeBglghkgBZQMEAS4wEQQMYWHuh3Kont4jgQLqAgEQgIICWYeVIEHHKP1kAok1BSYkuMiuQ_SsAPlGIcl_3e4vwIrKghHvZ56QRtaSNkqB3p6ZCGbeb2aICpB2L7JbwMHY-QohY3PHI4-m-2OxAFXe-exrAt0fGrhJSwMWUFJpFyg_QPbrOrNOJbIZfsEEwBKEjSBNcf2c_zjbvvfg14Q5Zxe54zt8WfqIUNebDGX4ByklhNHWgc5doQU3INdCzd2Br3AeW5dcnys_Fu2XgBu7F2LoWcE8hboh2n_y2mjWGpVsojfH31ar-VazJIJ6B_yJIV-VC5FBLMvyZko4zMhJEVkQw7Xm4kPDtTdiB-zhqBH67MQeFEglrdBNnxKI9Dv17zzagJEZrs8oVuY8QQ3m8CI1iKaNs6t7s7M3dfioNpuAKjRYxLoB_L-FdWojBGCQ4jhL7Xo94JkCfbVSEksM0j6_YST4-Hoh_EdIz31MTswITGHp3KtphE1ptfOvJ23wszooakCAuG9mnws67wrwLYEeHuC07hiQpudVnWg0Di8ZTk4Tm-Q-p6JwkuYCTz_h0saiJXybefN000KxWAZpO4pe0Yhl7y8uHPZ0xVuDp7Gp41RhG_irYvYWfiBxm4uhkAOt0gFSrV437k-rqwvs1ILCuh6-WpaauV2-N3pGPJMdoKzablqdUFwqGbQuG7iR7d0dMznTJeG1HV_hMhOYZgp_mm87_rqXV2AvsDC_d9s6ygjG91aWYTWSzBJiTfhScHTOv9xGMCXAVFcSnU614J_UuqfhLNSffKcHbTKGwLBPif5IDh1QOsMxNTp-JaqubwDmac2Y5qVy95I (Kovacs & Szapudi, 2015)]

==== [[ Дерево решений и случайный лес | Случайные леса ]] ====
Случайные леса (англ. ''random forest'') также используются как классификаторы. В пример можно привести следующие исследования:
*
*
*

==== Нейронные сети ====

=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] ===
Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
==== Кластеризация ====
==== Уменьшение размерности ====
==== Визуализация и обнаружение выбросов ====

Обсуждение участника:Qrort

2021-01-07T16:12:52Z

176.59.214.143: /* Метод опорных векторов */

== Машинное обучение в астрономии ==
Астрономия переживает стремительный рост объема и сложности данных. Соответственно, в последние годы алгоритмы машинного обучения становятся все более популярными среди астрономов и в настоящее время используются для решения самых разнообразных задач. В этой статье кратко приводится практическая информация о применении инструментов машинного обучения к астрономическим данным. В этом документе я освещаю основные темы контролируемого машинного обучения, включая отбор и предварительную обработку входного набора данных, методы оценки и три популярных алгоритма контролируемого обучения, машины опорных векторов, случайные леса и неглубокие искусственные нейронные сети. Mymain фокусируется на неконтролируемых алгоритмах машинного обучения,которые используются для выполнения кластерного анализа, уменьшения размерности, визуализации и обнаружения выбросов. Алгоритмы неконтролируемого обучения имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
=== [[Общие понятия#Классификация задач машинного обучения | Обучение с учителем ]] ===
В этом разделе рассматриваются алгоритмы, наиболее часто встречающиеся в научных работах астрономической тематики, и конкретные модели этих работ.
==== Метод опорных векторов ====
[[ Метод_опорных_векторов_(SVM) | Метод опорных векторов ]] (англ. ''support vector machine, SVM'') является популярным алгоритмом для решения задач классификации.
Астрономы используют метод опорных векторов для определения типа галактик по их морфологическим признакам [https://www.aanda.org/articles/aa/pdf/2009/15/aa11255-08.pdf (M. Huertas-Company et Al. 2008)], обучая модели на изображениях далёких галактик. Дополнительной сложностью вышеприведённой и прочих работ на ту же тему являются визуальные ограничения имеющихся изображений, такие, как мерцание, смещение, размытие и [https://ru.wikipedia.org/wiki/Красное_смещение красное смещение].

Метод опорных векторов также может быть использован для классификации [https://ru.wikipedia.com/Корональные_выбросы_массы корональных выбросов массы] [https://link.springer.com/article/10.1007/s11207-006-0114-5 (Qu et al. 2003)], определения их силы, источника и направления по данным [https://en.wikipedia.org/wiki/Large_Angle_and_Spectrometric_Coronagraph LASCO], или для классификации звёзд и планет [https://watermark.silverchair.com/sty2579.pdf?token=AQECAHi208BE49Ooan9kkhW_Ercy7Dm3ZL_9Cf3qfKAc485ysgAAAqYwggKiBgkqhkiG9w0BBwagggKTMIICjwIBADCCAogGCSqGSIb3DQEHATAeBglghkgBZQMEAS4wEQQMYWHuh3Kont4jgQLqAgEQgIICWYeVIEHHKP1kAok1BSYkuMiuQ_SsAPlGIcl_3e4vwIrKghHvZ56QRtaSNkqB3p6ZCGbeb2aICpB2L7JbwMHY-QohY3PHI4-m-2OxAFXe-exrAt0fGrhJSwMWUFJpFyg_QPbrOrNOJbIZfsEEwBKEjSBNcf2c_zjbvvfg14Q5Zxe54zt8WfqIUNebDGX4ByklhNHWgc5doQU3INdCzd2Br3AeW5dcnys_Fu2XgBu7F2LoWcE8hboh2n_y2mjWGpVsojfH31ar-VazJIJ6B_yJIV-VC5FBLMvyZko4zMhJEVkQw7Xm4kPDtTdiB-zhqBH67MQeFEglrdBNnxKI9Dv17zzagJEZrs8oVuY8QQ3m8CI1iKaNs6t7s7M3dfioNpuAKjRYxLoB_L-FdWojBGCQ4jhL7Xo94JkCfbVSEksM0j6_YST4-Hoh_EdIz31MTswITGHp3KtphE1ptfOvJ23wszooakCAuG9mnws67wrwLYEeHuC07hiQpudVnWg0Di8ZTk4Tm-Q-p6JwkuYCTz_h0saiJXybefN000KxWAZpO4pe0Yhl7y8uHPZ0xVuDp7Gp41RhG_irYvYWfiBxm4uhkAOt0gFSrV437k-rqwvs1ILCuh6-WpaauV2-N3pGPJMdoKzablqdUFwqGbQuG7iR7d0dMznTJeG1HV_hMhOYZgp_mm87_rqXV2AvsDC_d9s6ygjG91aWYTWSzBJiTfhScHTOv9xGMCXAVFcSnU614J_UuqfhLNSffKcHbTKGwLBPif5IDh1QOsMxNTp-JaqubwDmac2Y5qVy95I (Kovacs & Szapudi, 2015)]

==== Случайные леса ====
==== Нейронные сети ====

=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] ===
Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
==== Кластеризация ====
==== Уменьшение размерности ====
==== Визуализация и обнаружение выбросов ====

Обсуждение участника:Qrort

2021-01-07T16:11:09Z

176.59.214.143: /* Метод опорных векторов */

== Машинное обучение в астрономии ==
Астрономия переживает стремительный рост объема и сложности данных. Соответственно, в последние годы алгоритмы машинного обучения становятся все более популярными среди астрономов и в настоящее время используются для решения самых разнообразных задач. В этой статье кратко приводится практическая информация о применении инструментов машинного обучения к астрономическим данным. В этом документе я освещаю основные темы контролируемого машинного обучения, включая отбор и предварительную обработку входного набора данных, методы оценки и три популярных алгоритма контролируемого обучения, машины опорных векторов, случайные леса и неглубокие искусственные нейронные сети. Mymain фокусируется на неконтролируемых алгоритмах машинного обучения,которые используются для выполнения кластерного анализа, уменьшения размерности, визуализации и обнаружения выбросов. Алгоритмы неконтролируемого обучения имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
=== [[Общие понятия#Классификация задач машинного обучения | Обучение с учителем ]] ===
В этом разделе рассматриваются алгоритмы, наиболее часто встречающиеся в научных работах астрономической тематики, и конкретные модели этих работ.
==== Метод опорных векторов ====
[[ Метод_опорных_векторов_(SVM) | Метод опорных векторов ]] (англ. ''support vector machine, SVM'') является популярным алгоритмом для решения задач классификации.
Астрономы используют метод опорных векторов для определения типа галактик по их морфологическим признакам [https://www.aanda.org/articles/aa/pdf/2009/15/aa11255-08.pdf (M. Huertas-Company et Al. 2008)], обучая модели на изображениях далёких галактик. Дополнительной сложностью вышеприведённой и прочих работ на ту же тему являются визуальные ограничения имеющихся изображений, такие, как мерцание, смещение, размытие и [https://ru.wikipedia.org/wiki/Красное_смещение красное смещение].

Метод опорных векторов также может быть использован для классификации [https://ru.wikipedia.com/Корональные_выбросы_массы корональных выбросов массы] [https://link.springer.com/article/10.1007/s11207-006-0114-5 (Qu et al. 2003)], определения их силы, источника и направления по данным [https://en.wikipedia.org/wiki/Large_Angle_and_Spectrometric_Coronagraph LASCO].

==== Случайные леса ====
==== Нейронные сети ====

=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] ===
Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
==== Кластеризация ====
==== Уменьшение размерности ====
==== Визуализация и обнаружение выбросов ====

Обсуждение участника:Qrort

2021-01-07T16:05:55Z

176.59.214.143: /* Метод опорных векторов */

== Машинное обучение в астрономии ==
Астрономия переживает стремительный рост объема и сложности данных. Соответственно, в последние годы алгоритмы машинного обучения становятся все более популярными среди астрономов и в настоящее время используются для решения самых разнообразных задач. В этой статье кратко приводится практическая информация о применении инструментов машинного обучения к астрономическим данным. В этом документе я освещаю основные темы контролируемого машинного обучения, включая отбор и предварительную обработку входного набора данных, методы оценки и три популярных алгоритма контролируемого обучения, машины опорных векторов, случайные леса и неглубокие искусственные нейронные сети. Mymain фокусируется на неконтролируемых алгоритмах машинного обучения,которые используются для выполнения кластерного анализа, уменьшения размерности, визуализации и обнаружения выбросов. Алгоритмы неконтролируемого обучения имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
=== [[Общие понятия#Классификация задач машинного обучения | Обучение с учителем ]] ===
В этом разделе рассматриваются алгоритмы, наиболее часто встречающиеся в научных работах астрономической тематики, и конкретные модели этих работ.
==== Метод опорных векторов ====
[[ Метод_опорных_векторов_(SVM) | Метод опорных векторов ]] (англ. ''support vector machine, SVM'') является популярным алгоритмом для решения задач классификации.
Астрономы используют метод опорных векторов для определения типа галактик по их морфологическим признакам [https://www.aanda.org/articles/aa/pdf/2009/15/aa11255-08.pdf (M. Huertas-Company et Al. 2008)], обучая модели на изображениях далёких галактик. Дополнительной сложностью вышеприведённой и прочих работ на ту же тему являются визуальные ограничения имеющихся изображений, такие, как мерцание, смещение, размытие и [https://ru.wikipedia.org/wiki/Красное_смещение красное смещение].
Метод опорных векторов также может быть использован для классификации [https://ru.wikipedia.com/Корональные_выбросы_массы корональных выбросов массы] [https://link.springer.com/article/10.1007/s11207-006-0114-5 (Qu et al. 2003)].

==== Случайные леса ====
==== Нейронные сети ====

=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] ===
Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
==== Кластеризация ====
==== Уменьшение размерности ====
==== Визуализация и обнаружение выбросов ====

Обсуждение участника:Qrort

2021-01-07T16:05:41Z

176.59.214.143: /* Метод опорных векторов */

== Машинное обучение в астрономии ==
Астрономия переживает стремительный рост объема и сложности данных. Соответственно, в последние годы алгоритмы машинного обучения становятся все более популярными среди астрономов и в настоящее время используются для решения самых разнообразных задач. В этой статье кратко приводится практическая информация о применении инструментов машинного обучения к астрономическим данным. В этом документе я освещаю основные темы контролируемого машинного обучения, включая отбор и предварительную обработку входного набора данных, методы оценки и три популярных алгоритма контролируемого обучения, машины опорных векторов, случайные леса и неглубокие искусственные нейронные сети. Mymain фокусируется на неконтролируемых алгоритмах машинного обучения,которые используются для выполнения кластерного анализа, уменьшения размерности, визуализации и обнаружения выбросов. Алгоритмы неконтролируемого обучения имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
=== [[Общие понятия#Классификация задач машинного обучения | Обучение с учителем ]] ===
В этом разделе рассматриваются алгоритмы, наиболее часто встречающиеся в научных работах астрономической тематики, и конкретные модели этих работ.
==== Метод опорных векторов ====
[[ Метод_опорных_векторов_(SVM) | Метод опорных векторов ]] (англ. ''support vector machine, SVM'') является популярным алгоритмом для решения задач классификации.
Астрономы используют метод опорных векторов для определения типа галактик по их морфологическим признакам [https://www.aanda.org/articles/aa/pdf/2009/15/aa11255-08.pdf (M. Huertas-Company et Al. 2008)], обучая модели на изображениях далёких галактик. Дополнительной сложностью вышеприведённой и прочих работ на ту же тему являются визуальные ограничения имеющихся изображений, такие, как мерцание, смещение, размытие и [https://ru.wikipedia.org/wiki/Красное_смещение красное смещение].
Метод опорных векторов также может быть использован для классификации [https://ru.wikipedia.com/Корональные_выбросы_массы корональных выбросов массы [https://link.springer.com/article/10.1007/s11207-006-0114-5 (Qu et al. 2003)].

==== Случайные леса ====
==== Нейронные сети ====

=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] ===
Алгоритмы обучения без учителя применительно к астрономии имеют особое значение для научных исследований, поскольку они могут быть использованы для извлечения новых знаний из существующих наборов данных и могут способствовать новым открытиям.
==== Кластеризация ====
==== Уменьшение размерности ====
==== Визуализация и обнаружение выбросов ====

Обсуждение участника:Qrort

2021-01-07T15:50:21Z

176.59.214.143: /* Алгоритм опорных векторов */

Обсуждение участника:Qrort

2021-01-07T15:28:59Z

176.59.214.143: /* === Обучение без учителя === */

Обсуждение участника:Qrort

2021-01-07T15:28:44Z

176.59.214.143: /* Неконтролируемое обучение */

Обсуждение участника:Qrort

2021-01-07T15:28:00Z

176.59.214.143: /* Обучение с учителем */

Обсуждение участника:Qrort

2021-01-07T15:27:38Z

176.59.214.143: link

Обсуждение участника:Qrort

2021-01-07T15:25:15Z

176.59.214.143:

Обсуждение участника:Qrort

2021-01-07T15:21:59Z

176.59.214.143:

Обсуждение участника:Qrort

2021-01-07T15:21:42Z

176.59.214.143: init