Обсуждение участника:Qrort

Материал из Викиконспекты
Версия от 19:46, 7 января 2021; 176.59.214.143 (обсуждение) (Машинное обучение в астрономии)
Перейти к: навигация, поиск

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 конкретные модели этих 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 звёзд и планет.[3]

Cлучайные леса

Случайные леса (англ. random forest) также используются как классификаторы. В пример можно привести следующие исследования:

  • Определение величины красного смещения по изображению[4]
  • [5]

Нейронные сети

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

  1. Huertas-Company, M., Rouan, D., Tasca, L.,Soucail, G., & Le F`evre, O. 2008, A&A, 478,971
  2. Qu, M., Shih, F.Y., Jing, J. et al. Automatic Detection and Classification of Coronal Mass Ejections. Sol Phys 237, 419–431 (2006)
  3. Kov ́acs, A., & Szapudi, I. 2015, MNRAS, 448,1305
  4. Carliles, S., Budav ́ari, T., Heinis, S., Priebe, C., &Szalay, A. S. 2010, ApJ, 712, 511
  5. Bloom, J. S., Richards, J. W., Nugent, P. E., et al.2012, PASP, 124, 1175