دوره تحلیل و طبقه‌بندی امواج گرانشی LIGO با روش‌های یادگیری ماشین و شبکه‌های عصبی همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل و طبقه‌بندی امواج گرانشی LIGO با روش‌های یادگیری ماشین و شبکه‌های عصبی

موضوع کلی: هوش مصنوعی و یادگیری ماشین در فیزیک ذرات و اخترشناسی

موضوع میانی: پردازش سیگنال‌های امواج گرانشی و تشخیص رویدادها با یادگیری ماشین

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر امواج گرانشی و آشکارسازی LIGO
• 2. مروری بر نظریه نسبیت کلی و منبع امواج گرانشی
• 3. ساختار داده‌های خام حسگرهای LIGO
• 4. پیش‌پردازش سیگنال‌های زمان‌سری حسگر LIGO
• 5. حذف نویز و فیلترهای آماری در داده‌های LIGO
• 6. تبدیل فوریه و تجزیه و تحلیل فرکانسی سیگنال‌ها
• 7. استخراج ویژگی‌های زمان-فرکانس از امواج گرانشی
• 8. معرفی یادگیری ماشین در اخترشناسی
• 9. مروری بر الگوریتم‌های یادگیری نظارت‌شده و غیرنظارت‌شده
• 10. شبکه‌های عصبی مصنوعی برای پردازش سیگنال‌های حسگر
• 11. طراحی معماری CNN برای تشخیص امواج گرانشی
• 12. استفاده از شبکه‌های عصبی بازگشت‌پذیر (RNN) در توالی‌های زمانی
• 13. یادگیری عمیق برای طبقه‌بندی نوع رویدادهای گرانشی
• 14. استخراخطوط لرنینگ برای تشخیص سیگنال‌های زمان‌واقعی
• 15. روش‌های استخراج ویژگی خودکار (Autoencoders) در داده‌های LIGO
• 16. شبکه‌های متغیر بولی (BNNs) برای عدم قطعیت در تشخیص
• 17. یادگیرنده‌های ماشینی انعطافی (Ensemble Methods) برای بهبود دقت
• 18. ارزیابی عملکرد مدل با معیارهای ROC و PR-AUC
• 19. بهینه‌سازی هyperparameterها در شبکه‌های عصبی
• 20. استفاده از یادگیری انتقالی برای داده‌های محدود
• 21. پردازش دسته‌ای و توزیعی داده‌های بزرگ LIGO
• 22. استخراج ویژگی‌های فیزیکی از طریق یادگیری ماشین
• 23. تشخیص سیگنال‌های مرکب و چندمنظوره در LIGO
• 24. طبقه‌بندی انواع رویدادهای گرانشی (دو سیاه‌چاله، سیاه‌چاله-سستار، نواختگی)
• 25. برآورد پارامترهای فیزیکی رویدادهای گرانشی با یادگیری ماشین
• 26. استفاده از داده‌های شبیه‌سازی برای آموزش مدل‌ها
• 27. ترکیب مدل‌های یادگیری ماشین با الگوریتم‌های کلاسیک آشکارسازی
• 28. پیش‌بینی زمان وقوع رویدادهای گرانشی
• 29. پردازش همزمان چندین آشکارساز چشم‌انداز (LIGO، Virgo، KAGRA)
• 30. یکپارچه‌سازی داده‌های چندحسگره در یک چارچوب یادگیری ماشین
• 31. بهینه‌سازی مدل برای زمان واقعی و تاخیر کم
• 32. استفاده از GPU و TPU در آموزش شبکه‌های عصبی بزرگ
• 33. مدیریت داده‌های نامتعادل در طبقه‌بندی رویدادها
• 34. کاهش بعدی داده با روش‌های Manifold Learning
• 35. تجزیه و تحلیل خطا و سردرگمی در تشخیص امواج گرانشی
• 36. ارزیابی عمومی‌پذیری مدل روی داده‌های جدید
• 37. به‌روزرسانی مدل با یادگیری افزایشی (Online Learning)
• 38. تست‌پذیری و قابلیت اعتماد مدل‌های یادگیری ماشینی
• 39. مستندسازی و استقرار مدل در محیط علمی
• 40. چالش‌های اخلاقی و علمی هوش مصنوعی در اخترشناسی
• 41. آینده پژوهش‌های ترکیبی هوش مصنوعی و فیزیک ذرات