Ivezic, Ž ; Statistics, Data Mining, and Machine Learning in (Princeton Series in Modern Observational Astronomy)

آمار، داده کاوی و یادگیری ماشینی در نجوم مقدمه اساسی برای روش های آماری مورد نیاز برای تجزیه و تحلیل مجموعه داده های پیچیده از نظرسنجی های نجومی مانند تلسکوپ بررسی پانورامیک و سیستم واکنش سریع، تاریکی است. بررسی انرژی، و تلسکوپ بزرگ بررسی سینوپتیک. اکنون به طور کامل به روز شده است، تعداد زیادی از مشکلات تحلیل عملی را ارائه می دهد، تکنیک های حل آنها را ارزیابی می کند و نحوه استفاده از رویکردهای مختلف برای انواع و اندازه های مختلف مجموعه داده ها را توضیح می دهد. کد پایتون و مجموعه داده های نمونه برای همه برنامه های توضیح داده شده در کتاب ارائه شده است. مجموعه داده های پشتیبانی با دقت از نظرسنجی های نجومی معاصر انتخاب شده اند و دانلود و استفاده آسان است. کد پایتون همراه در دسترس عموم است، به خوبی مستند شده است و از استانداردهای کدگذاری یکنواخت پیروی می کند. مجموعه داده‌ها و کدها با هم، خوانندگان را قادر می‌سازد تا همه شکل‌ها و مثال‌ها را بازتولید کنند، با روش‌های مختلف درگیر شوند و آنها را با زمینه‌های مورد علاقه خود تطبیق دهند.

یک کتاب درسی قابل دسترس برای دانش‌آموزان و یک مرجع ضروری برای محققان، این نسخه به روز شده دارای بخش های جدیدی در روش های یادگیری عمیق، مدل سازی سلسله مراتبی بیز، و محاسبات تقریبی بیزی است. فصول در سرتاسر بازنگری شده اند و کد astroML کاملاً به روز شده است.

• به طور کامل بازبینی و گسترش یافته است
  
• مفیدترین آمار و داده ها را شرح می دهد. روش‌های استخراج برای استخراج دانش از مجموعه‌های داده‌های نجومی عظیم و پیچیده
  
• مجموعه‌های داده‌های دنیای واقعی را از نظرسنجی‌های نجومی نشان می‌دهد
  
• از یک پایگاه کد پایتون رایگان در دسترس در سرتاسر استفاده می‌کند
  
• ایده آل برای دانشجویان فارغ التحصیل، مقطع کارشناسی پیشرفته و منجمان شاغل
  

Statistics, Data Mining, and Machine Learning in Astronomy is the essential introduction to the statistical methods needed to analyze complex data sets from astronomical surveys such as the Panoramic Survey Telescope and Rapid Response System, the Dark Energy Survey, and the Large Synoptic Survey Telescope. Now fully updated, it presents a wealth of practical analysis problems, evaluates the techniques for solving them, and explains how to use various approaches for different types and sizes of data sets. Python code and sample data sets are provided for all applications described in the book. The supporting data sets have been carefully selected from contemporary astronomical surveys and are easy to download and use. The accompanying Python code is publicly available, well documented, and follows uniform coding standards. Together, the data sets and code enable readers to reproduce all the figures and examples, engage with the different methods, and adapt them to their own fields of interest.

An accessible textbook for students and an indispensable reference for researchers, this updated edition features new sections on deep learning methods, hierarchical Bayes modeling, and approximate Bayesian computation. The chapters have been revised throughout and the astroML code has been brought completely up to date.

• Fully revised and expanded
  
• Describes the most useful statistical and data-mining methods for extracting knowledge from huge and complex astronomical data sets
  
• Features real-world data sets from astronomical surveys
  
• Uses a freely available Python codebase throughout
  
• Ideal for graduate students, advanced undergraduates, and working astronomers