大数据天文光谱分析

课程编码：070401M05005N 英文名称：Big data analysis for astronomical spectra 课时：40 学分：2.00 课程属性：专业普及课 主讲教师：罗阿理等

本课程通过介绍巡天天文光谱数据的获取、处理、分析、及大数据方法的应用，通过典型的特殊天体挖掘案例使天文相关专业研究生了解大数据天体光谱分析的方法，掌握处理天文大数据的技能，为未来的科研工作打下数据分析的基础。

大学物理和高级程序设计

第一章 大数据天文光谱的绪论 3学时
第1节 课程要求及天文学和天文大数据的发展简介
第2节 光谱巡天的概述
第3节 天文大数据的特点
第二章 天文光谱的基础知识 3学时
第1节 天文光谱数据的采集和噪声
第2节 分辨率与光谱特征
第3节 天文光谱中的信息量
第三章 天体光谱的类型及特征分析 3学时
第1节 赫罗图与光谱特征
第2节 恒星光谱特征
第3节 星系光谱特征
第四章 巡天光谱的管道（Pipeline）处理方法 3学时
第1节 原始数据的处理流程
第2节 背景噪声中建模及目标光谱提取
第3节 光谱的测量、识别与分类
第五章 海量天体光谱及特殊天体 3学时
第1节 银河系内的特殊天体光谱
第2节 银河系外的特殊天体光谱
第3节 叠加及时变的光谱
第六章 大数据天文光谱的机器学习方法概述 3学时
第1节 大数据和机器学习概述
第2节 大数据天文光谱的一般分析方法
第3节 大数据天文光谱的机器学习方法概述
第七章 大数据天文光谱的贝叶斯模型 3学时
第1节 贝叶斯模型的基本原理
第2节 大数据天文光谱的贝叶斯模型简介
第3节 大数据天文光谱的贝叶斯模型案例分析
第八章 基于无监督学习的大数据天文光谱处理方法 3学时
第1节 无监督学习的基本原理
第2节 基于无监督学习的大数据天文光谱处理流程
第3节 基于无监督学习的大数据天文光谱处理方法与案例分析
第九章 基于有监督学习的大数据天文光谱处理方法 3学时
第1节 有监督学习的基本原理
第2节 基于有监督学习的大数据天文光谱处理流程
第3节 基于有监督学习的大数据天文光谱处理方法与案例分析
第十章 基于自监督学习的大数据天文光谱处理方法 3学时
第1节 自监督学习的基本原理
第2节 基于自监督学习的大数据天文光谱处理流程
第3节 基于自监督学习的大数据天文光谱处理方法与案例分析
第十一章 大数据天文光谱分析的案例研究 10.0学时
第1节 科学问题的凝练和探索
第2节 特殊天体挖掘的意义
第3节 特殊天体挖掘的相关研究
第4节 天体光谱挖掘的一般模型
第5节 特殊天体光谱挖掘的模型
第6节 特殊天体光谱挖掘的方法
第7节 特殊天体挖掘的实验设计
第8节 特殊天体挖掘的实验实现
第9节 特殊天体挖掘的验证结果分析
第10节 特殊天体挖掘的研究报告讲解

罗阿理，中国科学院国家天文台研究员，中国科学院特聘研究员，博导。主要研究方向为大数据天文学及机器学习在天文数据中的应用。科研成果包括利用海量光谱数据搜寻各类稀有和特殊天体：窄线双峰类星体、化学丰度特异星、碳星、特殊白矮星、白矮主序双星、M型晕族亚矮星、E+A星系、超高速星等等。发表论文130余篇，总引用4200余次。
邹志强，南京邮电大学计算机学院教授，硕士生导师。主要研究方向：数据挖掘，大数据，机器学习和智能计算等，发表相关论文约30篇，在大数据挖掘方面具有丰富的教学和研究经验。