آمار، داده‌کاوی و یادگیری ماشین در اخترشناسی ۲۰۱۹
Statistics, Data Mining, and Machine Learning in Astronomy 2019

آمار، داده‌کاوی و یادگیری ماشین در نجوم، مقدمه‌ای ضروری بر روش‌های آماری مورد نیاز برای تحلیل مجموعه‌ داده‌های پیچیده به دست آمده از پیمایش‌های نجومی مانند «تلسکوپ بررسی پانورامیک و سیستم پاسخ سریع»، «پیمایش انرژی تاریک» و «تلسکوپ بزرگ هم‌دید»، است. این کتاب که اکنون به‌طور کامل به‌روزرسانی شده است، مجموعه‌ای غنی از مسائل کاربردی تحلیل داده را ارائه می‌کند، تکنیک‌های حل آن‌ها را ارزیابی کرده و توضیح می‌دهد که چگونه از رویکردهای مختلف برای انواع و اندازه‌های متفاوت مجموعه‌ داده‌ها استفاده شود. کدهای پایتون و نمونه مجموعه‌ داده‌ها برای تمامی کاربردهای تشریح شده در کتاب ارائه شده‌اند. مجموعه‌ داده‌های پشتیبان با دقت از پیمایش‌های نجومی معاصر انتخاب شده‌اند و به آسانی قابل دانلود و استفاده هستند. کد پایتون همراه کتاب، به طور عمومی در دسترس، مستندسازی شده و از استانداردهای یکسان کدنویسی پیروی می‌کند. مجموعه‌ داده‌ها و کدها در کنار هم، خوانندگان را قادر می‌سازند تا تمامی شکل‌ها و مثال‌ها را بازتولید کنند، با روش‌های مختلف درگیر شوند و آن‌ها را با حوزه‌های مورد علاقه خود تطبیق دهند.

این کتاب، که هم یک کتاب درسی در دسترس برای دانشجویان و هم مرجعی ضروری برای محققان است، در ویرایش به‌روز شده خود، بخش‌های جدیدی در مورد روش‌های یادگیری عمیق، مدل‌سازی بیزی سلسله مراتبی و محاسبات بیزی تقریبی ارائه می‌دهد. فصل‌ها در سراسر کتاب بازبینی شده‌اند و کد astroML به‌طور کامل به‌روز شده است.

• به‌طور کامل بازبینی و گسترش یافته است
• مفیدترین روش‌های آماری و داده‌کاوی را برای استخراج دانش از مجموعه‌ داده‌های عظیم و پیچیده نجومی شرح می‌دهد
• مجموعه‌ داده‌های دنیای واقعی را از پیمایش‌های نجومی ارائه می‌کند
• در سرتاسر کتاب از یک پایگاه کد پایتون با دسترسی آزاد استفاده می‌کند
• ایده‌آل برای دانشجویان تحصیلات تکمیلی، دانشجویان دوره کارشناسی پیشرفته و اخترشناسان 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