مشخصات کتاب

Statistics, data mining, and machine learning in astronomy : a practical Python guide for the analysis of survey data

ویرایش: [Updated edition] 
نویسندگان: Alexander Gray,  Jacob T VanderPlas,  Andrew J. Connolly,  Željko Ivezić  
سری: Princeton series in modern observational astronomy 
ISBN (شابک) : 9780691197050, 0691197059 
ناشر: Princeton University Press 
سال نشر: 2020 
تعداد صفحات:  
زبان: English 
فرمت فایل : EPUB (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 11 Mb 

در صورت تبدیل فایل کتاب Statistics, data mining, and machine learning in astronomy : a practical Python guide for the analysis of survey data به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب آمار، داده کاوی و یادگیری ماشین در نجوم: راهنمای عملی پایتون برای تجزیه و تحلیل داده های نظرسنجی نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.

توضیحاتی در مورد کتاب آمار، داده کاوی و یادگیری ماشین در نجوم: راهنمای عملی پایتون برای تجزیه و تحلیل داده های نظرسنجی

هر چه تلسکوپ‌ها، آشکارسازها و رایانه‌ها قدرتمندتر می‌شوند، حجم داده‌هایی که در اختیار ستاره‌شناسان و اخترفیزیکدانان است، وارد حوزه پتابایت می‌شود و اندازه‌گیری‌های دقیقی را برای میلیاردها جرم آسمانی فراهم می‌کند. این کتاب مقدمه‌ای جامع و قابل دسترس برای روش‌های آماری پیشرفته مورد نیاز برای تحلیل کارآمد مجموعه داده‌های پیچیده از نظرسنجی‌های نجومی مانند تلسکوپ بررسی پانورامیک و سیستم واکنش سریع، بررسی انرژی تاریک و آینده تلسکوپ سینوپتیک بزرگ. این تلسکوپ به عنوان یک کتابچه راهنمای عملی برای دانشجویان فارغ التحصیل و دانشجویان پیشرفته در فیزیک و نجوم، و به عنوان مرجعی ضروری برای محققان عمل می کند. به روز رسانی های این نسخه جدید شامل رفع "پوسیدگی کد"، تصحیح خطاها، و افزودن بخش‌های جدید به ویژه، بخش‌های جدید شامل مطالب جدید در مورد روش‌های یادگیری عمیق، مدل‌سازی سلسله مراتبی بیز و محاسبات تقریبی بیزی است. آمار، داده کاوی و یادگیری ماشین در نجوم تعداد زیادی از مسائل تحلیل عملی را ارائه می دهد، تکنیک های حل آنها را ارزیابی می کند و نحوه استفاده از رویکردهای مختلف را برای انواع و اندازه های مختلف مجموعه داده ها توضیح می دهد. برای تمام برنامه های توضیح داده شده در کتاب، کد پایتون و مجموعه داده های نمونه ارائه شده است. مجموعه داده‌های پشتیبان با دقت از نظرسنجی‌های نجومی معاصر (مثلاً بررسی آسمان دیجیتال اسلون) انتخاب شده‌اند 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 کد با هم به خوانندگان امکان می‌دهند همه شکل‌ها و مثال‌ها را بازتولید کنند، روش‌ها را ارزیابی کنند و آنها را با زمینه‌های مورد علاقه خود تطبیق دهند\"--   ادامه مطلب...
چکیده: \"همانطور که تلسکوپ‌ها، آشکارسازها و رایانه‌ها قدرتمندتر می‌شوند، حجم داده‌هایی که در اختیار ستاره‌شناسان و اخترفیزیکدانان است، وارد می‌شود. دامنه پتابایتی، اندازه گیری دقیقی را برای میلیاردها جرم آسمانی ارائه می دهد. این کتاب مقدمه‌ای جامع و در دسترس برای روش‌های آماری پیشرفته مورد نیاز برای تجزیه و تحلیل کارآمد مجموعه داده‌های پیچیده از نظرسنجی‌های نجومی مانند تلسکوپ بررسی پانورامیک و سیستم واکنش سریع، بررسی انرژی تاریک و تلسکوپ بررسی سینوپتیک بزرگ آینده ارائه می‌کند. این کتاب به عنوان یک کتاب راهنمای عملی برای دانشجویان کارشناسی ارشد و کارشناسی ارشد در رشته های فیزیک و نجوم و به عنوان یک مرجع ضروری برای محققان عمل می کند. به‌روزرسانی‌های این نسخه جدید شامل رفع \" پوسیدگی کد\"، تصحیح خطاها، و افزودن برخی بخش‌های جدید است. به طور خاص، بخش‌های جدید شامل مطالب جدید در مورد روش‌های یادگیری عمیق، مدل‌سازی سلسله مراتبی بیز و محاسبات تقریبی بیزی است. آمار، داده کاوی و یادگیری ماشین در نجوم تعداد زیادی از مسائل تحلیل عملی را ارائه می دهد، تکنیک های حل آنها را ارزیابی می کند و نحوه استفاده از رویکردهای مختلف را برای انواع و اندازه های مختلف مجموعه داده ها توضیح می دهد. برای تمام برنامه های توضیح داده شده در کتاب، کد پایتون و مجموعه داده های نمونه ارائه شده است. مجموعه داده‌های پشتیبان با دقت از نظرسنجی‌های نجومی معاصر (مثلاً بررسی آسمان دیجیتال اسلون) انتخاب شده‌اند 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 داده ها و کد با هم به خوانندگان این امکان را می دهند که تمام شکل ها و مثال ها را بازتولید کنند، روش ها را ارزیابی کنند و آنها را با زمینه های مورد علاقه خود تطبیق دهند.

توضیحاتی درمورد کتاب به خارجی

"As telescopes, detectors, and computers grow ever more powerful, the volume of data at the disposal of astronomers and astrophysicists will enter the petabyte domain, providing accurate measurements for billions of celestial objects. This book provides a comprehensive and accessible introduction to the cutting-edge statistical methods needed to efficiently analyze complex data sets from astronomical surveys such as the Panoramic Survey Telescope and Rapid Response System, the Dark Energy Survey, and the upcoming Large Synoptic Survey Telescope. It serves as a practical handbook for graduate students and advanced undergraduates in physics and astronomy, and as an indispensable reference for researchers. The updates in this new edition will include fixing "code rot," correcting errata, and adding some new sections. In particular, the new sections include new material on deep learning methods, hierarchical Bayes modeling, and approximate Bayesian computation. Statistics, Data Mining, and Machine Learning in Astronomy presents a wealth of practical analysis problems, evaluates techniques for solving them, and explains how to use various approaches for different types and sizes of data sets. For all applications described in the book, Python code and example data sets are provided. The supporting data sets have been carefully selected from contemporary astronomical surveys (for example, the Sloan Digital Sky Survey) 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, evaluate the methods, and adapt them to their own fields of interest"--  Read more...
Abstract: "As telescopes, detectors, and computers grow ever more powerful, the volume of data at the disposal of astronomers and astrophysicists will enter the petabyte domain, providing accurate measurements for billions of celestial objects. This book provides a comprehensive and accessible introduction to the cutting-edge statistical methods needed to efficiently analyze complex data sets from astronomical surveys such as the Panoramic Survey Telescope and Rapid Response System, the Dark Energy Survey, and the upcoming Large Synoptic Survey Telescope. It serves as a practical handbook for graduate students and advanced undergraduates in physics and astronomy, and as an indispensable reference for researchers. The updates in this new edition will include fixing "code rot," correcting errata, and adding some new sections. In particular, the new sections include new material on deep learning methods, hierarchical Bayes modeling, and approximate Bayesian computation. Statistics, Data Mining, and Machine Learning in Astronomy presents a wealth of practical analysis problems, evaluates techniques for solving them, and explains how to use various approaches for different types and sizes of data sets. For all applications described in the book, Python code and example data sets are provided. The supporting data sets have been carefully selected from contemporary astronomical surveys (for example, the Sloan Digital Sky Survey) 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, evaluate the methods, and adapt them to their own fields of interest"

نظرات کاربران

کتاب های تصادفی

دانلود کتاب Special Relativity and Quantum Mechanics

دانلود کتاب 1921-й: победа над голодом

دانلود کتاب Cocina Japonesa (Spanish Edition)

دانلود کتاب Memories of a Maverick

دانلود کتاب Zombi Kapitalizm: Küresel Kriz ve Marx’ın Yaklaşımı