در این مطلب، ویدئو باز کردن نجوم با پایتون و AstroML. ارائه SciPy 2013 با زیرنویس فارسی را برای دانلود قرار داده ام. شما میتوانید با پرداخت 15 هزار تومان ، این ویدیو به علاوه تمامی فیلم های سایت را دانلود کنید.اکثر فیلم های سایت به زبان انگلیسی می باشند. این ویدئو دارای زیرنویس فارسی ترجمه شده توسط هوش مصنوعی می باشد که میتوانید نمونه ای از آن را در قسمت پایانی این مطلب مشاهده کنید.
تصاویر این ویدئو:
قسمتی از زیرنویس این فیلم:
00:00:00,719 –> 00:00:02,480
خیلی ممنون از حضورتان متشکرم
2
00:00:02,480 –> 00:00:03,360
3
00:00:03,360 –> 00:00:04,880
اسم من جیک واندرپلوس است. من یک
4
00:00:04,880 –> 00:00:07,040
ستاره شناس هستم که در
5
00:00:07,040 –> 00:00:09,120
حال حاضر در یک بخش علوم کامپیوتر کار می کنم و
6
00:00:09,120 –> 00:00:10,160
7
00:00:10,160 –> 00:00:11,759
در تقاطع تحقیقات نجوم
8
00:00:11,759 –> 00:00:14,000
و داده کاوی یادگیری ماشینی
9
00:00:14,000 –> 00:00:15,120
کار می کنم و با
10
00:00:15,120 –> 00:00:16,480
مجموعه داده های بزرگ کار می کنم. من قصد دارم
11
00:00:16,480 –> 00:00:18,320
کمی در مورد بسته ای به نام
12
00:00:18,320 –> 00:00:20,640
astroml صحبت کنم که ما روی آن کار می کردیم و
13
00:00:20,640 –> 00:00:22,000
در پاییز گذشته منتشر شد
14
00:00:22,000 –> 00:00:24,800
و امیدوارم شما را متقاعد کنم
15
00:00:24,800 –> 00:00:26,640
16
00:00:26,640 –> 00:00:30,000
که در این زمینه مشارکت کنید اما اساساً پس
17
00:00:30,000 –> 00:00:31,679
زمینه این است که زمینه نجوم
18
00:00:31,679 –> 00:00:33,840
بوده است. خیلی تغییر کرده است و
19
00:00:33,840 –> 00:00:34,960
وقتی به مردم می گویم من یک
20
00:00:34,960 –> 00:00:36,800
ستاره شناس هستم، فکر می کنم این تصویری است
21
00:00:36,800 –> 00:00:37,840
که آنها در ذهن دارند
22
00:00:37,840 –> 00:00:40,480
، ادوین هابل تلسکوپ او در
23
00:00:40,480 –> 00:00:42,079
رصدخانه پالومار است.
24
00:00:42,079 –> 00:00:44,079
25
00:00:44,079 –> 00:00:46,079
26
00:00:46,079 –> 00:00:48,399
گفتن درست به همه در مورد
27
00:00:48,399 –> 00:00:49,440
آن،
28
00:00:49,440 –> 00:00:53,039
اما اوم که روش انجام علم در
29
00:00:53,039 –> 00:00:53,920
حال تغییر است و
30
00:00:53,920 –> 00:00:56,160
در بسیاری از زمینه ها در حال تغییر است و
31
00:00:56,160 –> 00:00:57,680
آنچه در نجوم اتفاق می افتد این است که
32
00:00:57,680 –> 00:00:58,079
33
00:00:58,079 –> 00:01:01,280
ما در حال حرکت هستیم. به سمت um انجام علوم پیمایشی،
34
00:01:01,280 –> 00:01:02,480
35
00:01:02,480 –> 00:01:05,040
بنابراین ابزار um که من
36
00:01:05,040 –> 00:01:06,320
کمی با آن درگیر بوده ام و
37
00:01:06,320 –> 00:01:07,760
دیگران در این اتاق روی آن کار
38
00:01:07,760 –> 00:01:10,240
کرده اند، یک تلسکوپ همدیدی بزرگ
39
00:01:10,240 –> 00:01:13,200
است.
40
00:01:13,200 –> 00:01:15,200
تلسکوپ بزرگی که بر روی
41
00:01:15,200 –> 00:01:15,520
42
00:01:15,520 –> 00:01:18,000
قله کوهی بلند در شیلی ساخته خواهد شد،
43
00:01:18,000 –> 00:01:19,840
میتوانید اوه آدم کوچکی را ببینید که برای مرجع در آنجا ایستاده است،
44
00:01:19,840 –> 00:01:21,280
ابزار بسیار
45
00:01:21,280 –> 00:01:24,080
بسیار بزرگی است و مشخصات روی
46
00:01:24,080 –> 00:01:25,920
آن بسیار باورنکردنی است، اولین نور
47
00:01:25,920 –> 00:01:28,080
در اواخر این دهه خواهد بود.
48
00:01:28,080 –> 00:01:31,040
اندازه آینه در اینجا 8.4 متر است، بنابراین
49
00:01:31,040 –> 00:01:31,360
50
00:01:31,360 –> 00:01:34,799
آینه با قطر 8.4 متر که
51
00:01:34,799 –> 00:01:39,439
به آسمان نگاه می کند میدان دید دوربین 3.2 گیگاپیکسلی
52
00:01:39,439 –> 00:01:41,360
10 درجه مربع است و
53
00:01:41,360 –> 00:01:43,040
این میدان دید واقعاً بزرگی است و
54
00:01:43,040 –> 00:01:44,320
چیزی که به آن اجازه می دهد
55
00:01:44,320 –> 00:01:47,040
تلسکوپ در حالت خودکار است.
56
00:01:47,040 –> 00:01:49,119
اساساً کل آسمان را اسکن کنید و
57
00:01:49,119 –> 00:01:50,720
تقریباً سه شب طول می کشد
58
00:01:50,720 –> 00:01:53,680
تا کل آسمان را اسکن کنید و سپس ادامه دهید
59
00:01:53,680 –> 00:01:54,079
60
00:01:54,079 –> 00:01:56,399
و این کار را در طول 10
61
00:01:56,399 –> 00:01:57,520
سال تکرار کنید،
62
00:01:57,520 –> 00:01:59,840
بنابراین چیزی که ما در نهایت به آن می پردازیم این است که
63
00:01:59,840 –> 00:02:02,560
اساساً این فیلم 10 ساله است. ht آسمان
64
00:02:02,560 –> 00:02:05,040
از طریق باندهای موج متعدد و
65
00:02:05,040 –> 00:02:06,560
نرخ داده باورنکردنی خواهد بود
66
00:02:06,560 –> 00:02:08,959
در حدود 30000 گیگابایت داده خام در هر
67
00:02:08,959 –> 00:02:09,598
شب
68
00:02:09,598 –> 00:02:11,120
و هنگامی که شما ضرب را
69
00:02:11,120 –> 00:02:13,040
در پایان 10 سال انجام دهید، در
70
00:02:13,040 –> 00:02:15,440
نهایت صدها پتابایت داده خواهیم داشت. درست است
71
00:02:15,440 –> 00:02:17,120
پس این خیلی بیشتر از آن چیزی است که یک
72
00:02:17,120 –> 00:02:18,640
ستاره شناس منفرد
73
00:02:18,640 –> 00:02:20,959
که به مجموعه ای از تصاویر نگاه می کند می تواند با آن مقابله کند
74
00:02:20,959 –> 00:02:22,080
و به همین دلیل است که ما
75
00:02:22,080 –> 00:02:23,920
در نجوم و شما می دانید موارد مشابه
76
00:02:23,920 –> 00:02:26,480
در زمینه های دیگر مردم به سمت
77
00:02:26,480 –> 00:02:28,560
روش های یادگیری ماشین خودکار
78
00:02:28,560 –> 00:02:30,959
و سایر داده کاوی حرکت می کنند. روشها،
79
00:02:30,959 –> 00:02:33,519
بنابراین این چیزی است که ما برای آن آماده میکنیم
80
00:02:33,519 –> 00:02:34,400
و اوم
81
00:02:34,400 –> 00:02:35,920
در نجوم،
82
00:02:35,920 –> 00:02:37,920
83
00:02:37,920 –> 00:02:39,680
کارهای آماری زیادی داریم، کارهای آماری و کارهای یادگیری ماشینی
84
00:02:39,680 –> 00:02:42,000
که باید بدانید جابهجاییهای
85
00:02:42,000 –> 00:02:43,760
قرمز نورسنجی که یک مشکل رگرسیون است،
86
00:02:43,760 –> 00:02:45,120
ما به طبقهبندی منبع نیاز داریم
87
00:02:45,120 –> 00:02:46,800
کاهش ابعاد.
88
00:02:46,800 –> 00:02:48,000
لیست را نخوانید، اما
89
00:02:48,000 –> 00:02:50,560
این فقط شروع
90
00:02:50,560 –> 00:02:52,080
تمام ابزارهایی است که
91
00:02:52,080 –> 00:02:54,000
برای انجام علم خود و رفتن از این
92
00:02:54,000 –> 00:02:55,120
داده های خام
93
00:02:55,120 –> 00:02:57,280
به مواردی مانند پاسخ دادن به سؤالات اب نیاز داریم.
94
00:02:57,280 –> 00:02:59,599
انرژی تاریک و ماده تاریک و
95
00:02:59,599 –> 00:03:01,200
تاریخ و سرنوشت
96
00:03:01,200 –> 00:03:02,879
جهان و آن سؤالات بزرگی که ما
97
00:03:02,879 –> 00:03:03,440
دوست داریم
98
00:03:03,440 –> 00:03:07,280
در مورد آنها صحبت کنیم، بنابراین هر ستاره شناس به این ابزارها نیاز دارد
99
00:03:07,280 –> 00:03:08,480
100
00:03:08,480 –> 00:03:10,239
و نکته مهم این است که ما پیتون
101
00:03:10,239 –> 00:03:11,920
دریافتیم که پیتون
102
00:03:11,920 –> 00:03:15,360
حاوی مقدار زیادی است. از اینها و
103
00:03:15,360 –> 00:03:17,599
پایتون پایتون حاوی بستههایی است
104
00:03:17,599 –> 00:03:20,080
که پیادهسازی خوبی از این موارد دارند،
105
00:03:20,080 –> 00:03:22,800
بنابراین در بسیاری از پروژهها، این
106
00:03:22,800 –> 00:03:24,720
فقط یک لیست ناقص از برخی از
107
00:03:24,720 –> 00:03:26,239
پروژههایی است که
108
00:03:26,239 –> 00:03:28,959
با استفاده از پایتون وجود دارد و ما به طور فزایندهای شاهد آن هستیم
109
00:03:28,959 –> 00:03:31,040
. در 10 سال گذشته،
110
00:03:31,040 –> 00:03:33,680
اخترشناسان به سمت استفاده از پایتون در حال حرکت هستند
111
00:03:33,680 –> 00:03:35,360
و این توسط برخی از افراد
112
00:03:35,360 –> 00:03:35,680
113
00:03:35,680 –> 00:03:38,640
مؤسسه علمی تلسکوپ فضایی um هدایت می شود که
114
00:03:38,640 –> 00:03:39,519
115
00:03:39,519 –> 00:03:41,680
به نوعی پشتوانه ای را پشت سر matplotlib در
116
00:03:41,680 –> 00:03:43,519
روزهای اولیه قرار دادند و از
117
00:03:43,519 –> 00:03:45,360
طرفداران واقعی جامعه علمی پایتون بودند
118
00:03:45,360 –> 00:03:46,720
119
00:03:46,720 –> 00:03:48,400
و وقتی
120
00:03:48,400 –> 00:03:50,560
هفت سال پیش به دانشگاه UW رسیدم، خودم آن را دیدهام،
121
00:03:50,560 –> 00:03:52,400
یک استاد در دپارتمان از پایتون استفاده میکرد
122
00:03:52,400 –> 00:03:54,640
و من این
123
00:03:54,640 –> 00:03:57,200
شانس را داشتم که با او کار کنم و به
124
00:03:57,200 –> 00:03:59,200
این ترتیب شروع کردم. او دنیای python را علمی کرد
125
00:03:59,200 –> 00:03:59,599
و
126
00:03:59,599 –> 00:04:02,560
در همان ابتدا مردم به نوعی
127
00:04:02,560 –> 00:04:02,959
128
00:04:02,959 –> 00:04:04,720
مرا مسخره کردند که من آن مردی هستم که
129
00:04:04,720 –> 00:04:06,640
به جای idl از python استفاده می کند و
130
00:04:06,640 –> 00:04:08,319
این شوخی
131
00:04:08,319 –> 00:04:10,159
است که در کلاس های فارغ التحصیل می دانی که چه
132
00:04:10,159 –> 00:04:12,000
زمانی تکالیفم را انجام می دهم. در
133
00:04:12,000 –> 00:04:13,519
پایتون بقیه برایش یک
134
00:04:13,519 –> 00:04:14,239
idl
135
00:04:14,239 –> 00:04:15,840
می نوشتند، این جوک از این دست
136
00:04:15,840 –> 00:04:17,279
بود که من فقط سعی می کردم زندگی را
137
00:04:17,279 –> 00:04:18,320
برای اساتید سخت کنم
138
00:04:18,320 –> 00:04:20,238
و در شش سال گذشته این موضوع تغییر کرده است
139
00:04:20,238 –> 00:04:21,839
و اکنون افرادی که هنوز از idl استفاده می
140
00:04:21,839 –> 00:04:22,800
کنند به
141
00:04:22,800 –> 00:04:25,120
نوعی در مورد آن صحبت می کنند. گوسفندان با خجالت
142
00:04:25,120 –> 00:04:26,800
و عذرخواهی و ما
143
00:04:26,800 –> 00:04:27,199
144
00:04:27,199 –> 00:04:29,759
بیشتر بخشهایی را داریم که روی پایتون کار میکنند
145
00:04:29,759 –> 00:04:31,199
و این عمدتاً به این دلیل است که
146
00:04:31,199 –> 00:04:33,680
از lsst و این پروژههای دیگر،
147
00:04:33,680 –> 00:04:35,440
افراد در بخش روی آنها کار
148
00:04:35,440 –> 00:04:36,160
میکنند
149
00:04:36,160 –> 00:04:38,240
و میبینند که پایتون چقدر ابزار قدرتمندی
150
00:04:38,240 –> 00:04:39,440
برای آن است،
151
00:04:39,440 –> 00:04:41,120
بنابراین در آخرین بار. یک سال یا بیشتر، ما
152
00:04:41,120 –> 00:04:43,440
این کتابخانه
153
00:04:43,440 –> 00:04:45,520
astro ml را توسعه دادهایم و اساساً مجموعهای از
154
00:04:45,520 –> 00:04:47,840
ابزارها و مثالها و بارگذارهای مجموعه داده
155
00:04:47,840 –> 00:04:49,120
برای
156
00:04:49,120 –> 00:04:51,840
انجام این نوع وظایف در نجوم است.
157
00:04:51,840 –> 00:04:52,479
158
00:04:52,479 –> 00:04:54,960
s کد اصلی
159
00:04:54,960 –> 00:04:56,639
وجود دارد، اما بسیاری از آن ها فقط در
160
00:04:56,639 –> 00:04:59,040
حال کامپایل کردن چیزهایی است که در آنجا وجود دارد، ما
161
00:04:59,040 –> 00:05:01,120
به شدت از scikit-learn from scipy
162
00:05:01,120 –> 00:05:02,000
از numpy
163
00:05:02,000 –> 00:05:05,919
از matplotlib pymc از بسته های دیگر مانند
164
00:05:05,919 –> 00:05:06,560
این
165
00:05:06,560 –> 00:05:08,560
استفاده می کنیم و آنها را به گونه ای کنار هم می کشیم که
166
00:05:08,560 –> 00:05:10,320
بتوان
167
00:05:10,320 –> 00:05:12,320
از آنها استفاده کرد و فهمید. ما به راحتی حدود
168
00:05:12,320 –> 00:05:13,440
200 نمونه به علاوه
169
00:05:13,440 –> 00:05:15,840
در آنجا داریم که با داده های واقعی کار می کنند،
170
00:05:15,840 –> 00:05:16,560
171
00:05:16,560 –> 00:05:19,120
می توانید astroml.org را بررسی کنید و
172
00:05:19,120 –> 00:05:20,639
اطراف
173
00:05:20,639 –> 00:05:22,320
آن را کلیک کنید شبیه به
174
00:05:22,320 –> 00:05:24,000
وب سایت های دیگر اسنادی است که
175
00:05:24,000 –> 00:05:25,520
در آنجا نمودارهایی داریم، شما
176
00:05:25,520 –> 00:05:27,919
روی نمودارهایی که پایتون را می بینید کلیک کنید.
177
00:05:27,919 –> 00:05:29,520
کد منبع را میتوانید دانلود کنید، میتوانید
178
00:05:29,520 –> 00:05:31,360
خودتان آن را اجرا کنید و میتوانید
179
00:05:31,360 –> 00:05:34,080
تجزیه و تحلیل ما را که اکنون انجام دادیم دوباره امتحان کنید،
180
00:05:34,080 –> 00:05:34,880
باید
181
00:05:34,880 –> 00:05:37,280
بگویم انگیزه اولیه پشت این بسته
182
00:05:37,280 –> 00:05:38,800
کتابی بود که
183
00:05:38,800 –> 00:05:40,320
من با همکاری آنها را تالیف کردهام.
184
00:05:40,320 –> 00:05:42,560
در ژانویه 2014 منتشر شود یا در ژانویه 2014 منتشر شود
185
00:05:42,560 –> 00:05:43,680
.
186
00:05:43,680 –> 00:05:45,360
فکر می کنم تابستان گذشته اینجا بودم و
187
00:05:45,360 –> 00:05:47,520
گفتم ژانویه 2013،
188
00:05:47,520 –> 00:05:50,639
اما این چیزها معمولاً اتفاق می افتد، اما
189
00:05:50,639 –> 00:05:53,039
این ژانویه 2014 محکم است، کتاب
190
00:05:53,039 –> 00:05:54,960
نوشته شده است و فقط در ویرایش کپی
191
00:05:54,960 –> 00:05:56,319
و شب است. rything در حال حاضر،
192
00:05:56,319 –> 00:05:58,160
بنابراین هدف ما از این یک
193
00:05:58,160 –> 00:06:00,000
راهنمای عملی کامل برای
194
00:06:00,000 –> 00:06:02,400
یادگیری ماشینی تجزیه و تحلیل داده ها
195
00:06:02,400 –> 00:06:04,800
در زمینه نجوم است،
196
00:06:04,800 –> 00:06:07,199
اما این یک
197
00:06:07,199 –> 00:06:09,280
پیش زمینه مقدماتی برای آمار
198
00:06:09,280 –> 00:06:10,479
برای دانشمندان است.
199
00:06:10,479 –> 00:06:12,880
200
00:06:12,880 –> 00:06:14,080
ما فکر می کنیم که
201
00:06:14,080 –> 00:06:16,160
این کتاب به عنوان یک کل
202
00:06:16,160 –> 00:06:18,240
برای افراد در زمینه های دیگر نیز قابل اجرا خواهد بود
203
00:06:18,240 –> 00:06:20,000
و این یک رویکرد نمونه محور است که ما
204
00:06:20,000 –> 00:06:22,080
از داده های واقعی زیادی استفاده می کنیم که به صورت
205
00:06:22,080 –> 00:06:22,560
آنلاین
206
00:06:22,560 –> 00:06:25,440
از طریق این بسته astroml در دسترس است و
207
00:06:25,440 –> 00:06:26,960
چیز جالبی در مورد آن چیزی است که من هستم. واقعاً
208
00:06:26,960 –> 00:06:28,720
در مورد اینکه هر شکل در
209
00:06:28,720 –> 00:06:29,440
210
00:06:29,440 –> 00:06:31,840
کتاب یک صفحه وب مرتبط دارد، بسیار هیجانزده است، بنابراین اگر
211
00:06:31,840 –> 00:06:33,199
میخواهید بدانید چگونه
212
00:06:33,199 –> 00:06:36,400
شکل 4.2 را ساختیم، به astro ml بروید و
213
00:06:36,400 –> 00:06:38,560
به شکل 4.2 بروید و کد پایتون را دانلود
214
00:06:38,560 –> 00:06:39,680
215
00:06:39,680 –> 00:06:41,280
کنید و آن را اجرا کنید و میتوانید با
216
00:06:41,280 –> 00:06:42,720
شکل بازی کنید. پس من فکر می
217
00:06:42,720 –> 00:06:44,639
کنم واقعاً امیدوارم که این یک
218
00:06:44,639 –> 00:06:45,919
الگوی جدید برای
219
00:06:45,919 –> 00:06:47,759
کتاب های درسی فنی باشد که ما از
220
00:06:47,759 –> 00:06:49,199
این نوع ابزارها
221
00:06:49,199 –> 00:06:50,479
داریم که می دانید در مورد تحقیقات باز شنیده ایم
222
00:06:50,479 –> 00:06:51,840
من دوست دارم به آنها فکر کنم. این به عنوان
223
00:06:51,840 –> 00:06:53,199
کتاب درسی باز است
224
00:06:53,199 –> 00:06:55,120
و میدانید که چند نفر دیگر
225
00:06:55,120 –> 00:06:56,479
کارهای مشابهی انجام دادهاند و
226
00:06:56,479 –> 00:06:59,039
دیدن چنین جهتی هیجانانگیز است،
227
00:06:59,039 –> 00:07:01,039
بنابراین من فقط میخواهم به شما
228
00:07:01,039 –> 00:07:02,479
چند نمونه را در
229
00:07:02,479 –> 00:07:03,680
اینجا نشان دهم همه چیزهایی را که قرار است در اینجا نشان دهم.
230
00:07:03,680 –> 00:07:06,560
در astraml.org در دسترس هستند،
231
00:07:06,560 –> 00:07:07,759
ممکن است مجبور شوید
232
00:07:07,759 –> 00:07:10,400
برای یافتن آنها روی مکان های مختلفی کلیک کنید،
233
00:07:10,400 –> 00:07:12,240
اما می توانید همه این نمونه ها
234
00:07:12,240 –> 00:07:13,520
را خودتان اجرا کنید و می توانید
235
00:07:13,520 –> 00:07:15,759
پارامترها را تغییر دهید و ببینید چه اتفاقی می افتد،
236
00:07:15,759 –> 00:07:17,120
بنابراین اولین تاریخی که گفتم می خواهم به
237
00:07:17,120 –> 00:07:19,199
شما نشان دهم برخی از داده ها از
238
00:07:19,199 –> 00:07:20,639
بررسی آسمان دیجیتالی
239
00:07:20,639 –> 00:07:23,520
اسلون است که این پروژه سه بعدی یا
240
00:07:23,520 –> 00:07:24,400
مکان
241
00:07:24,400 –> 00:07:28,080
های سه بعدی حدود یک میلیون
242
00:07:28,080 –> 00:07:30,720
کهکشان در آنجا دارد و کاری که ما انجام
243
00:07:30,720 –> 00:07:32,400
داده ایم این است که بخش کوچکی از
244
00:07:32,400 –> 00:07:34,319
آسمان این مکان را گرفته ایم که به آن اسلون می گویند.
245
00:07:34,319 –> 00:07:35,840
دیوار بزرگ یک
246
00:07:35,840 –> 00:07:39,039
خوشه طولانی از کهکشانها است که
247
00:07:39,039 –> 00:07:42,400
حدود 300 مگاپارسک یا بیشتر فاصله دارد
248
00:07:42,400 –> 00:07:44,319
و یک کار جالب که میتوانید
249
00:07:44,319 –> 00:07:46,000
با اینها انجام دهید این است که
250
00:07:46,000 –> 00:07:48,800
نوعی یادگیری ساختار خودکار
251
00:07:48,800 –> 00:07:50,000
روی آن انجام دهید،
252
00:07:50,000 –> 00:07:52,000
بنابراین ما حداقل درخت پوشا یک اقلیدسی را اعمال کردیم.
253
00:07:52,000 –> 00:07:54,319
حداقل درخت پوشا به این
254
00:07:54,319 –> 00:07:56,560
که اساساً uh را
255
00:07:56,560 –> 00:07:58,319
پیدا می کند حداقل نموداری را که
256
00:07:58,319 –> 00:08:00,560
این را در فضای اقلیدسی به هم متصل می کند، پیدا می کند
257
00:08:00,560 –> 00:08:02,560
و سپس نوعی خوشه بندی سلسله مراتبی وجود دارد
258
00:08:02,560 –> 00:08:03,840
که می توانید در جایی انجام دهید که
259
00:08:03,840 –> 00:08:06,160
اساساً پیوندهای کوچک را
260
00:08:06,160 –> 00:08:07,680
قطع کنید یا پیوندهای بزرگ را در
261
00:08:07,680 –> 00:08:09,199
حداقل پوشا قطع کنید.
262
00:08:09,199 –> 00:08:11,759
درخت نوعی آستانه دارد و سپس
263
00:08:11,759 –> 00:08:13,680
همه چیز زیر آن خوشه هایی هستند که
264
00:08:13,680 –> 00:08:15,759
به هم پیوسته اند و به نوعی به هم مرتبط هستند
265
00:08:15,759 –> 00:08:18,080
و این یکی از تکنیک
266
00:08:18,080 –> 00:08:20,319
هایی است که اغلب در شبیه سازی n-جسم استفاده می شود
267
00:08:20,319 –> 00:08:21,120
268
00:08:21,120 –> 00:08:23,360
زمانی که منجمان کهکشان را شبیه سازی می کنیم و
269
00:08:23,360 –> 00:08:25,199
می خواهیم در
270
00:08:25,199 –> 00:08:28,160
مورد آمار و ارقام بدانیم.
271
00:08:28,160 –> 00:08:29,599
272
00:08:29,599 –> 00:08:32,399
273
00:08:32,399 –> 00:08:33,919
چیز دیگری که می توانید با آن انجام دهید،
274
00:08:33,919 –> 00:08:35,599
تخمین چگالی است، ما چندین
275
00:08:35,599 –> 00:08:37,599
ابزار
276
00:08:37,599 –> 00:08:39,839
تخمین چگالی داریم تخمین چگالی هسته k نزدیکترین
277
00:08:39,839 –> 00:08:41,519
همسایگان تخمین چگالی و این
278
00:08:41,519 –> 00:08:42,640
فقط راهی است برای
279
00:08:42,640 –> 00:08:44,399
دوباره مشخص کردن مشخصه های خودکار
280
00:08:44,399 –> 00:08:47,680
برخی از این مشاهدات
281
00:08:47,680 –> 00:08:49,360
و سپس یکی دیگر از روش های تخمین چگالی
282
00:08:49,360 –> 00:08:51,519
، مدل های مخلوط گاوسی است
283
00:08:51,519 –> 00:08:53,279
بنابراین برای اینکه به سرعت به شما نشان دهیم
284
00:08:53,279 –> 00:08:54,720
کد این مورد برای
285
00:08:54,720 –> 00:08:56,959
مدل های مخلوط گاوسی چیست، واقعاً ساده است، ما
286
00:08:56,959 –> 00:08:59,600
دیوار بزرگ را با استفاده از ابزار مجموعه داده ها واکشی می کنیم
287
00:08:59,600 –> 00:09:00,560
288
00:09:00,560 –> 00:09:02,240
و این به
289
00:09:02,240 –> 00:09:03,839
طور خودکار از
290
00:09:03,839 –> 00:09:05,920
سرور sloan دانلود می شود و سپس روی هارد
291
00:09:05,920 –> 00:09:07,120
دیسک شما ذخیره
292
00:09:07,120 –> 00:09:09,360
می شود.
293
00:09:09,360 –> 00:09:10,959
اگر هر یک از شما با آن آشنایی دارید، نحو بسیار شبیه به scikit-learn است
294
00:09:10,959 –> 00:09:13,120
که ما فقط چگالی سریع را انجام می دهیم
295
00:09:13,120 –> 00:09:14,399
296
00:09:14,399 –> 00:09:16,800
و سپس چگالی را به این ترتیب محاسبه
297
00:09:16,800 –> 00:09:17,600
298
00:09:17,600 –> 00:09:19,839
می کنیم تا پنج شش تا ده
299
00:09:19,839 –> 00:09:21,360
خط کد را بدانید و می توانید این کارها را انجام دهید.
300
00:09:21,360 –> 00:09:23,680
این تجزیه و تحلیل های قدرتمند را شروع کنید و
301
00:09:23,680 –> 00:09:25,519
با پارامترها شروع به بازی کنید و ببینید
302
00:09:25,519 –> 00:09:28,080
که چگونه چیزها تغییر می کنند یک مورد دیگر است
303
00:09:28,080 –> 00:09:29,680
که فکر می کنم به نوعی سرگرم کننده است آنچه
304
00:09:29,680 –> 00:09:31,360
ما در اینجا به آن نگاه می کنیم
305
00:09:31,360 –> 00:09:35,519
نمودار رنگی um ستاره های خارج از um
306
00:09:35,519 –> 00:09:37,600
از نوار 82 از
307
00:09:37,600 –> 00:09:39,200
بررسی آسمان دیجیتال sloan
308
00:09:39,200 –> 00:09:41,279
و اساساً هر محور نوعی
309
00:09:41,279 –> 00:0