Обсуждение участника:Qrort — различия между версиями
Qrort (обсуждение | вклад) (→Cлучайные леса) |
Qrort (обсуждение | вклад) |
||
| Строка 18: | Строка 18: | ||
==== Нейронные сети ==== | ==== Нейронные сети ==== | ||
| + | [[ Нейронные сети, перцептрон | Нейронные сети ]] (англ. ''Artificial neural networks, ANN'') используются для решения задач классификации и регрессии. В пример можно привести следующие исследования: | ||
| + | * Определение величины [https://en.wikipedia.org/wiki/Photometric_redshift фотометрического красного смещения] галактик<ref>Vanzella, E., Cristiani, S., Fontana, A., et al.2004, A&A, 423, 761</ref> | ||
| + | * Классификация галактик<ref>Banerji, M., Lahav, O., Lintott, C. J., et al. 2010,MNRAS, 406, 342</ref> | ||
| + | * Измерение [https://astrobites.org/2014/09/30/measuring-galaxy-star-formation/ скорости звездообразования] галактик<ref>Ellison, S. L., Teimoorinia, H., Rosario, D. J., &Mendel, J. T. 2016, MNRAS, 458, L34</ref> | ||
| + | * | ||
=== [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] === | === [[Общие понятия#Классификация задач машинного обучения | Обучение без учителя ]] === | ||
| Строка 27: | Строка 32: | ||
==Источники информации== | ==Источники информации== | ||
<references /> | <references /> | ||
| + | |||
| + | ==Ссылки== | ||
| + | [ | ||
Версия 20:46, 9 января 2021
Содержание
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, 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.
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 (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 [1], 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 красное смещение.
Метод опорных векторов также может быть использован для классификации[2] корональных выбросов массы, определения их силы, источника и направления по данным LASCO, или для классификации звезд и галактик (возможности отличать первые от вторых).[3]
Cлучайные леса
Случайные леса (англ. random forest) используются для решения задач классификации и регрессии. В пример можно привести следующие исследования:
- Определение величины красного смещения по изображению[4]
- Классификация[5] кратковременных астрономических событий и переменных звезд
- Классификация звезд и галактик[6]
Нейронные сети
Нейронные сети (англ. Artificial neural networks, ANN) используются для решения задач классификации и регрессии. В пример можно привести следующие исследования:
- Определение величины фотометрического красного смещения галактик[7]
- Классификация галактик[8]
- Измерение скорости звездообразования галактик[9]
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
- ↑ Huertas-Company, M., Rouan, D., Tasca, L.,Soucail, G., & Le F`evre, O. 2008, A&A, 478,971
- ↑ Qu, M., Shih, F.Y., Jing, J. et al. Automatic Detection and Classification of Coronal Mass Ejections. Sol Phys 237, 419–431 (2006)
- ↑ Kov ́acs, A., & Szapudi, I. 2015, MNRAS, 448,1305
- ↑ Carliles, S., Budav ́ari, T., Heinis, S., Priebe, C., &Szalay, A. S. 2010, ApJ, 712, 511
- ↑ Bloom, J. S., Richards, J. W., Nugent, P. E., et al.2012, PASP, 124, 1175
- ↑ Miller, A. A., Kulkarni, M. K., Cao, Y., et al.2017, AJ, 153, 73
- ↑ Vanzella, E., Cristiani, S., Fontana, A., et al.2004, A&A, 423, 761
- ↑ Banerji, M., Lahav, O., Lintott, C. J., et al. 2010,MNRAS, 406, 342
- ↑ Ellison, S. L., Teimoorinia, H., Rosario, D. J., &Mendel, J. T. 2016, MNRAS, 458, L34
Ссылки
[
