天体物理学动手机器学习教程
本教程为天体物理学家演示了一些简单的机器学习和深度学习用例。 它是在2020年11月的研讨会上首次展示的。
第1部分展示了如何使用scikit-learn在表格数据上训练浅层统计模型，例如支持向量机（SVM）和随机森林，以根据其物理属性（温度/半径/发光度）对星型进行分类。
第2部分演示了如何使用非结构化数据（例如图像）。 它通过深层卷积网络从手工制作的特征（渐变的直方图）逐渐变为学习的特征。
第3部分给出了使用诸如2D空间中的聚类，图像检索，对预训练网络进行微调等深层功能可以实现的不错的聚会技巧的示例。
如果在此代码中发现任何错误或问题，请随时打开问题或请求请求。
2021-10-18 14:40:16
2.31MB
1
AstroML：天文学的机器学习
AstroML是一个基于numpy，scipy，scikit-learn和matplotlib构建的Python机器学习和数据挖掘模块，并已获得BSD许可。 它包含一个不断发展的统计和机器学习例程库，用于分析python中的天文数据，用于几个开放式天文数据集的加载器，以及一整套用于分析和可视化天文数据集的示例。
该项目由Jake VanderPlas于2012年启动，与Zeljko Ivezic，Andrew Connolly，Jacob VanderPlas和Alex Gray合着的《统计，数据挖掘和天文学中的机器学习》一书相伴。
重要连结
HTML文档： ：
核心源代码存储库： :
图源代码存储库： :
问题追踪器： :
邮件列表： https : //groups.google.com/forum/#! forum/ astro
2021-10-18 14:33:40
601KB
1