دوره تحلیل منحنی‌های درخشش ابرنواختر با یادگیری ماشین همراه با فلش‌کارت آموزشی — ارائه روی فلش مموری

🎓 دوره آموزشی جامع

📚 اطلاعات دوره

عنوان دوره: دوره تحلیل منحنی‌های درخشش ابرنواختر با یادگیری ماشین

موضوع کلی: علم داده و اخترفیزیک

موضوع میانی: یادگیری ماشین در نجوم

📋 سرفصل‌های دوره

• 1. مقدمه‌ای بر ابرنواخترها و اهمیت تحلیل منحنی‌های درخشش
• 2. انواع ابرنواختر و ویژگی‌های منحنی‌های درخشش آن‌ها
• 3. معرفی داده‌های منحنی‌های درخشش ابرنواختر: منابع و فرمت‌ها
• 4. پیش‌پردازش داده‌ها: حذف نویز و داده‌های پرت
• 5. تکمیل داده‌های گمشده در منحنی‌های درخشش
• 6. مهندسی ویژگی از داده‌های منحنی درخشش
• 7. انتخاب ویژگی‌های مهم برای طبقه‌بندی ابرنواختر
• 8. مقدمه‌ای بر یادگیری ماشین نظارت شده
• 9. رگرسیون خطی و کاربرد آن در پیش‌بینی درخشش
• 10. رگرسیون لجستیک برای طبقه‌بندی ابرنواخترها
• 11. درخت‌های تصمیم‌گیری و جنگل تصادفی در تحلیل ابرنواختر
• 12. ماشین‌های بردار پشتیبان (SVM) و کاربرد آن‌ها در طبقه‌بندی
• 13. شبکه‌های عصبی مصنوعی (ANN) و معماری آن‌ها
• 14. شبکه‌های عصبی کانولوشنال (CNN) برای پردازش منحنی‌های درخشش
• 15. شبکه‌های عصبی بازگشتی (RNN) برای تحلیل سری‌های زمانی درخشش
• 16. یادگیری عمیق و کاربرد آن در تحلیل ابرنواختر
• 17. معیارهای ارزیابی مدل‌های یادگیری ماشین در نجوم
• 18. اعتبارسنجی متقابل (Cross-Validation) و جلوگیری از بیش‌برازش
• 19. تنظیم هایپرپارامترها و بهینه‌سازی مدل
• 20. یادگیری انتقالی (Transfer Learning) در تحلیل ابرنواختر
• 21. یادگیری بدون نظارت و خوشه‌بندی ابرنواخترها
• 22. کاهش ابعاد با PCA و t-SNE برای تجسم داده‌ها
• 23. تشخیص ناهنجاری در منحنی‌های درخشش ابرنواختر
• 24. کاربرد یادگیری تقویتی در بهینه‌سازی روش‌های رصد
• 25. تحلیل مجموعه داده‌های بزرگ ابرنواختر با استفاده از Spark
• 26. استفاده از TensorFlow و Keras برای ساخت مدل‌های یادگیری عمیق
• 27. استفاده از PyTorch برای ساخت مدل‌های یادگیری عمیق
• 28. پیاده‌سازی مدل‌های یادگیری ماشین در محیط ابری (Google Cloud, AWS)
• 29. تفسیرپذیری مدل‌های یادگیری ماشین در نجوم (SHAP, LIME)
• 30. کاربرد یادگیری ماشین در کشف ابرنواخترهای جدید
• 31. بررسی چالش‌ها و محدودیت‌های یادگیری ماشین در نجوم
• 32. آینده یادگیری ماشین در تحلیل داده‌های نجومی
• 33. تحلیل منحنی‌های درخشش ابرنواختر نوع Ia
• 34. تحلیل منحنی‌های درخشش ابرنواختر نوع II
• 35. تحلیل منحنی‌های درخشش ابرنواخترهای هسته آهنی
• 36. تحلیل منحنی‌های درخشش ابرنواخترهای جفت شده
• 37. تحلیل منحنی‌های درخشش ابرنواخترهای کند-زده
• 38. تحلیل منحنی‌های درخشش ابرنواخترهای تکرارشونده
• 39. استفاده از یادگیری ماشین برای تعیین فاصله تا ابرنواخترها
• 40. استفاده از یادگیری ماشین برای تعیین پارامترهای فیزیکی ابرنواخترها
• 41. استفاده از یادگیری ماشین برای شناسایی پدیده‌های گذرا
• 42. تحلیل داده‌های چند موج‌بندی (Multi-wavelength) با یادگیری ماشین
• 43. ادغام داده‌های منحنی درخشش با سایر داده‌های نجومی
• 44. کاربرد یادگیری ماشین در بررسی‌های نجومی بزرگ (LSST, Pan-STARRS)