大数据天文光谱分析

课程编码：280223070401P3005 英文名称：Big data analysis for astronomical spectra 课时：40 学分：2.00 课程属性：专业课 主讲教师：罗阿理等

本课程在介绍巡天天文光谱数据的获取和处理的基础上，通过典型的数据挖掘案例使研究生了解大数据天体光谱分析的常见机器学习算法。学习Python语言的程序设计、掌握大数据处理的常见算法应用，如聚类、回归、分类、检索等算法，了解最新的人工智能方法在天文的应用等，为未来的科研工作打下数据分析的基础。

大学物理、程序设计语言

第一章 大数据天文光谱的概述 3学时 罗阿理
第1节 天文学的发展和天文大数据简介
第2节 光谱、测光和时域巡天的概述
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 罗阿理
第1节 天文光谱的特征和海量光谱数据采集
第2节 分辨率、光谱特征和光谱中的信息
第3节 原始光谱数据的处理流程
第三章 大数据天文光谱的机器学习方法概述 3学时 邹志强
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
第四章 大数据天文光谱的贝叶斯模型 3学时 邹志强
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
第五章 海量天体光谱的有监督分类 3学时 罗阿理
第1节 赫罗图与恒星光谱光谱分类
第2节 星系光谱分类
第3节 叠加及时变的光谱
第六章 海量天体光谱的参数回归 3学时 罗阿理
第1节 恒星的参数回归的机器学习方法
第2节 星系的红移回归的机器学习方法
第3节 星系的星族分析的机器学习方法
第七章 基于无监督学习的天文光谱处理方法 3学时 邹志强
第1节 无监督学习的基本原理
第2节 基于无监督学习的聚类和离群分析
第3节 基于无监督学习的特殊天体挖掘案例分析
第八章 基于深度学习的大数据天文光谱处理方法 3学时 邹志强
第1节 卷积神经网络的基本原理与应用
第2节 残差神经网络的基本原理与应用
第3节 注意力机制的基本原理与应用
第九章 基于自监督学习的大数据天文光谱处理方法 3学时 邹志强
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
第十章 大数据天文光谱分析的案例研究 13学时 罗阿理
第1节 数据驱动的APOGEE 光谱的恒星基本参数和元素丰度测量方法(回归)
第2节 基于多模态网络的星系光谱红移预测
第3节 星系的演化星族合成及恒星速度弥散的拟合方法 (回归)
第4节 基于决策树光谱分类和特征归因(监督分类)
第5节 基于非监督光谱聚类分析的进展(非监督分类)
第6节 基于离群检测的光谱数据挖掘 (异常检测)

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。