Computer Vision and Pattern Recognition,Astrophysics of Galaxies,Instrumentation and Methods for Astrophysics,Computational Engineering, Finance, and Science,Machine Learning,چشم انداز رایانه و تشخیص الگوی , اخترفیزیک کهکشان ها , ابزار دقیق و روش های اخترفیزیک , مهندسی محاسباتی , امور مالی و علوم , یادگیری ماشین
توضیحات
Submitted 3 September, 2024; originally announced September 2024. , Comments: This paper has been accepted to 2024 IEEE 20th International Conference on e-Science
توضیحات به فارسی
ارسال شده در 3 سپتامبر 2024 ؛در ابتدا در سپتامبر 2024 اعلام شد. ، نظرات: این مقاله در 2024 IEEE 20 مین کنفرانس بین المللی علوم الکترونیکی پذیرفته شده است
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
چکیده
Redshift prediction is a fundamental task in astronomy, essential for understanding the expansion of the universe and determining the distances of astronomical objects. Accurate redshift prediction plays a crucial role in advancing our knowledge of the cosmos. Machine learning (ML) methods, renowned for their precision and speed, offer promising solutions for this complex task. However, traditional ML algorithms heavily depend on labeled data and task-specific feature extraction. To overcome these limitations, we introduce AstroMAE, an innovative approach that pretrains a vision transformer encoder using a masked autoencoder method on Sloan Digital Sky Survey (SDSS) images. This technique enables the encoder to capture the global patterns within the data without relying on labels. To the best of our knowledge, AstroMAE represents the first application of a masked autoencoder to astronomical data. By ignoring labels during the pretraining phase, the encoder gathers a general understanding of the data. The pretrained encoder is subsequently fine-tuned within a specialized architecture tailored for redshift prediction. We evaluate our model against various vision transformer architectures and CNN-based models, demonstrating the superior performance of AstroMAEs pretrained model and fine-tuning architecture.
چکیده به فارسی (ترجمه ماشینی)
پیش بینی redshift یک کار اساسی در نجوم است که برای درک گسترش جهان و تعیین مسافت اشیاء نجومی ضروری است.پیش بینی دقیق redshift نقش مهمی در پیشرفت دانش ما در مورد کیهان دارد.روشهای یادگیری ماشین (ML) ، مشهور به دلیل دقت و سرعت آنها ، راه حل های امیدوارکننده ای را برای این کار پیچیده ارائه می دهد.با این حال ، الگوریتم های سنتی ML به شدت به داده های دارای برچسب و استخراج ویژگی خاص کار بستگی دارند.برای غلبه بر این محدودیت ها ، ما Astromae را معرفی می کنیم ، یک رویکرد نوآورانه که یک رمزگذار ترانسفورماتور بینایی را با استفاده از یک روش AutoEncoder نقاب دار در تصاویر Sloan Digital Sky Survey (SDSS) پیش بینی می کند.این تکنیک رمزگذار را قادر می سازد تا بدون تکیه بر برچسب ها ، الگوهای جهانی را در داخل داده ها ضبط کند.به بهترین دانش ما ، Astromae اولین کاربرد یک AutoEncoder ماسک شده به داده های نجومی را نشان می دهد.رمزگذار با نادیده گرفتن برچسب ها در مرحله مقدماتی ، درک کلی از داده ها را جمع می کند.رمزگذار پیش ساخته متعاقباً در یک معماری تخصصی متناسب با پیش بینی redshift تنظیم می شود.ما مدل خود را در برابر معماری های مختلف ترانسفورماتور دید و مدلهای مبتنی بر CNN ارزیابی می کنیم ، که نشان دهنده عملکرد برتر مدل پیش بینی شده Astromaes و معماری تنظیم دقیق است.
📚 محتوای این محصول آموزشی (پکیج کامل)
علاوه بر مقاله اصلی انگلیسی که دریافت می کنید، برای یادگیری عمیقتر و تسلط کامل بر مباحث مجموعهای از کتابهای آموزشی نیز ارائه میشود.
کتاب پرسش و پاسخ چهارگزینهای – نسخه یادگیری سریع
— پاسخها بلافاصله بعد از سؤال برای مرور سریع
مشاهده نمونه نسخه کوییز سریع
کتاب پرسش و پاسخ چهارگزینهای – نسخه خودآزمایی
— پاسخها در انتهای بخشها برای سنجش واقعی یادگیری
مشاهده نمونه نسخه آزمونی
🎯 این بسته یک دورهٔ آموزشی کامل و چندلایه است؛ شامل ویدیوهای آموزشی، کتابها، تمرینها و خودآزمایی.
ℹ️ نکات مهم هنگام خرید
این محصول به صورت فایل دانلودی کامل ارائه میشود.
توجه: لینکهای اختصاصی دوره طی حداکثر 24 ساعت پس از ثبت سفارش ارسال میشوند.
دقت کنید لینک ها به شماره موبایل شما ارسال می شوند. پس در ارائه شماره موبایل صحیح دقت کنید.
برای راهنمایی در مورد نحوه دانلود به شماره 09395106248 پیامک دهید یا تماس بگیرید. (ایده آل ترین گزینه ارسال پیام در یکی از پیام رسان ها به همین شماره است تا سریعا لینک های محصول همان جا برای شما ارسال گردد.)
اگر پرداخت انجام شده ولی بعد از 24 ساعت هنوز لینکها را دریافت نکردهاید، نام و نام خانوادگی و نام محصول را پیامک کنید تا
لینکها دوباره ارسال شوند.
💬 راههای ارتباطی پشتیبانی: واتساپ یا هر پیام رسان داخلی یا پیامک:
09395106248 تلگرام: @ma_limbs
