天文统计与人工智能
课程编码：180201070400P1004H
英文名称：Statistics and Artificial Intelligence in Astronomy
课时：60
学分：3.00
课程属性：学科核心课
主讲教师：刘超等
教学目的要求
实测天文学进入了数据爆炸时代，每年全球多个大型巡天项目观测的数据量已经逐渐超过了全球天文学家能够处理的极限。面对海量天文观测数据，得力的数据分析方法和先进统计模型的运用将有效改善天文学对暴涨的观测数据的处理需求，并有可能彻底改变天文学的研究范式，是天文学方向学生必须掌握的基本研究手段。本课程要求学生深入了解天文数据数值分析和统计分析的各类常见方法，锻炼学生数据分析能力，掌握数据分析和统计建模的基本技能，为未来基于海量天文数据开展科学研究奠定坚实基础。本课程还将简要介绍深度学习算法和人工智能复杂模型在天文学中的应用。
预修课程
概率论和数理统计，基础天文学
大纲内容
第一章 绪论
第1节 天文统计概述 1学时 刘超
第2节 贝叶斯公式 1学时 刘超
第二章 概率统计初步
第1节 概率论基础 2学时 刘超
第2节 统计学基础 2学时 刘超
第3节 拒绝采样和马尔可夫链蒙特卡洛模拟 3学时 刘超
第三章 单参数和多参数贝叶斯模型
第1节 单参数贝叶斯模型 3学时 刘超
第2节 多参数贝叶斯模型 3学时 刘超
第3节 课堂实践一 4学时 刘超
第四章 层次化贝叶斯模型
第1节 层次化模型 3学时 刘超
第2节 层次化模型实例 2学时 刘超
第五章 贝叶斯回归模型
第1节 贝叶斯回归模型 1学时 刘超
第2节 贝叶斯回归模型实例 1学时 刘超
第3节 课堂实践二 4学时 刘超
第六章 人工智能概述
第1节 人工智能概念 1学时 罗阿理
第2节 人工智能发展史 1学时 罗阿理
第七章 机器学习
第1节 监督学习：分类和回归 2学时 罗阿理
第2节 无监督学习：降维、聚类分析、异常检测 3学时 罗阿理
第3节 集成学习与梯度提升机 2学时 罗阿理
第4节 课堂实践三 3学时 罗阿理
第八章 深度学习
第1节 深度学习基础与神经网络 2学时 罗阿理
第2节 卷积神经网络 1学时 罗阿理
第3节 时序模型 1学时 罗阿理
第4节 生成式模型与小样本学习 2学时 罗阿理
第5节 课堂实践四 3学时 罗阿理
第九章 人工智能复杂模型
第1节 大语言模型与多模态模型 2学时 罗阿理
第2节 物理约束模型 2学时 罗阿理
第3节 智能体 2学时 罗阿理
第4节 课堂实践五 3学时 罗阿理
参考书
1、
Numerical Recipes, The art of scientific computing (3rd Edition)
W. H.,Teukolsky, S. A., Vetterling, W. T., & Flannery, B. P.
2007
Cambridge Univ. press
2、
Bayesian Data Analysis (2nd Edition)
Gelman, A., Carlin, J. B., Stern, H. S. & Rubin, D. B.
2004
Chapman & Hall/CRC press
3、
概率论与数理统计（第四版）
盛骤，谢式千，潘承毅 编
2008
高等教育出版社
4、
Practical Bayesian Inference, A primer of Physical Scientists
Bailer-Jones, C.
2018
Cambridge University Press
5、
机器学习
周志华
2016
清华大学出版社
6、
深度学习
【美】伊恩，古德费洛（Ian, Goodfellow），【加】约书亚，本吉奥（Yoshua Bengio），【加】亚伦，库维尔（Asron Courville）著
2017
人民邮电出版社
课程教师信息
刘超，中国科学院国家天文台研究员。2008年取得博士学位，后在德国马克斯普朗克天文研究所从事博士后研究，参与欧空局Gaia天体测量卫星的研制工作。2012年起在中国科学院国家天文台从事天文学和天体物理学研究。主要研究领域包括：银河系的结构与演化、星系动力学、星际消光等。已发表论文100余篇。
罗阿理，中国科学院国家天文台研究员，LAMOST望远镜运行和发展中心数据处理部主任。2002年获得中国科学院国家天文台博士学位。 主要从事天文数据处理、海量光谱分析和数据挖掘等工作。研究成果发表于国际知名期刊，包括ApJ，ApJS， MNRAS， AJ，A&A， PASP， RAA等，总计80余篇。培养毕业研究生30余名。