آموزش تحلیل داده‌های تحقیقات نجومی با پایتون - آخرین آپدیت

دانلود Astronomy Research Data Analysis with Python

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.

نمونه ویدیوها: (صرفا برای مشاهده نمونه ویدیو، ممکن هست نیاز به شکن داشته باشید.)

توضیحات دوره:

یادگیری تحلیل داده‌های نجومی با پایتون: از مبتدی تا پیشرفته

در این دوره جامع، تحلیل داده‌ها، مصورسازی داده‌ها و پردازش تصویر با استفاده از پایتون را بیاموزید.

محتوای دوره:

مبانی برنامه‌نویسی پایتون: آشنایی با متغیرها، انواع داده، ساختارهای شرطی و حلقه‌ها.
مصورسازی داده‌های جدولی: تحلیل و نمایش داده‌های ستاره‌ای با پانداس، مت‌پلات‌لیب و سی‌بورن.
پردازش و مصورسازی تصاویر نجومی: کار با فایل‌های FITS، پردازش تصاویر کهکشان‌ها و تکنیک‌های مقیاس‌بندی.
پردازش تصویر و استخراج ویژگی: اعمال فیلترها، هسته‌های گوسی و تکنیک‌های بهبود و استخراج ویژگی از تصاویر نجومی.
نتیجه‌گیری و گام‌های بعدی: جمع‌بندی آموخته‌ها و مسیرهای یادگیری آتی در تحلیل داده‌های نجومی.

پیش‌نیازها:

بدون نیاز به دانش یا تجربه قبلی برنامه‌نویسی.
بدون نیاز به دانش یا تجربه قبلی در زمینه نجوم.

این دوره برای چه کسانی مناسب است؟

دانشجویان و علاقه‌مندان به نجوم که به دنبال استفاده از پایتون در پروژه‌ها و مطالعات خود هستند.
پژوهشگران و متخصصان در حوزه نجوم و علوم مرتبط که قصد ارتقاء مهارت‌های تحلیل داده خود را دارند.
برنامه‌نویسان علاقه‌مند به گسترش دانش خود در زمینه نجوم و تحلیل داده‌های علمی.

ویژگی‌های دوره:

رویکرد یادگیری عملی با مثال‌های کاربردی و مجموعه داده‌های دنیای واقعی.
راهنمایی گام به گام برای درک عمیق هر مفهوم.
دسترسی به جامعه‌ای از یادگیرندگان و متخصصان هم‌فکر.
دسترسی مادام‌العمر به مطالب دوره و به‌روزرسانی‌ها.

هم‌اکنون ثبت‌نام کنید!

به ما بپیوندید تا رمز و رازهای جهان را با پایتون کشف کنید. در دوره "تحلیل داده‌های تحقیقاتی نجوم با پایتون" ثبت‌نام کنید و اولین گام را برای تسلط بر هنر تحلیل داده‌های نجومی بردارید!

تخفیف ویژه: برای قیمت تخفیف‌دار به وب‌سایت رسمی spartificial[dot]com مراجعه کنید.

سرفصل ها و درس ها

شروع با پایتون Starting with Python

مقدمه برنامه Introduction to the Program
مقدمه گوگل کولب Google Colab Introduction
کامنت‌ها در پایتون Comments in Python
متغیرها و ثابت‌ها Variables and Constants
انواع داده پایه Basic Data Types
اف-استرینگ‌ها (f-Strings) f-Strings
ورودی‌های کاربر User Inputs
تبدیل نوع داده Data Type Conversion
جریان کنترل Control Flow
توابع در پایتون Functions in Python
مقدمه آزمون پایتون Intro to Python Quiz

تجسم داده‌های جدولی با استفاده از Pandas، Matplotlib و Seaborn Tabular Data Visualization using Pandas, Matplotlib and Seaborn

مقدمه‌ای درباره ماژول ۲ Introduction about the module 2
مقدمه بر داده‌های جدولی Introduction to the Tabular Data
وارد کردن کتابخانه‌ها Importing the Libraries
نگاهی اجمالی به داده‌های جدولی Peeking into the Tabular Data
ایجاد دایرکتوری برای ذخیره تصاویر Creation of Directory to save Visuals
اولین تجسم از داده‌های جدولی First Visualization from Tabular Data
سفارشی‌سازی و ذخیره تصاویر Customizing and Saving the Visualizations
تجسم داده‌های رنگ ستاره Visualizing Star Color Data
تجسم داده‌های پرت (Outliers) در داده‌ها Visualizing the Outliers in the Data
نمودارهای خطی برای تجسم روند در داده‌ها Line Plots to Visualize the trend in Data
ایجاد Pairplot Creating a Pairplot
ایجاد نمودار HR Create HR Diagram
دانلود تصاویر Downloading the Visualizations
آزمون تجسم داده‌های جدولی Tabular Data Visualization Quiz

تجسم داده‌های تصویری Image Data Visualization

معرفی ماژول Introducing the Module
تصویر چیست؟ What is an Image?
فهمیدن فایل FITS Understanding FITS file
نصب و وارد کردن کتابخانه‌ها Installing and Importing Libraries
فرم SkyView SkyView Form
بازیابی و تجسم داده‌های تصویری کهکشان M31 در پایتون Fetch and Visualize M31 Galaxy in Python the image data
بازیابی و تجسم تصویر دیگری از M31 Fetch and visualize another Image of M31
ساخت فایل FITS خودتان Create your own FITS file
تجسم توزیع پیکسل‌های M31 Visualize Distribution of Pixels of M31
اعمال مقیاس‌بندی پیکسل MinMax بر روی پیکسل‌های M31 Apply MinMax Pixel Scaling on Pixels of M31
انواع مختلف مقیاس‌بندی پیکسل Different Types of Pixel Scaling
بازه ZScale از Astropy ZScaleInterval from Astropy
پردازش و تجسم داده‌های تصویری Image Data Processing and Visualisation

پردازش تصویر | اعمال فیلترها و استخراج ویژگی‌ها Image Processing | Apply Filters and Extracting Features

معرفی ماژول Introducing the Module
فهم عملیات کانولوشن (Convolution) Understanding Convolution operation
هسته گاوسی (Gaussian Kernel) برای حذف نویز Gaussian Kernel for Denoising
بهبود ویژگی‌ها در تصویر Enhancing the Features in the Image
گوشه Foerstner Corner Foerstner
ویژگی‌های پایه چند مقیاسی (محلی) Multiscale Basic (Local) Features
پردازش تصویر پیشرفته Advanced Image Processing

نتیجه‌گیری دوره Course Conclusion

بازخورد، نتیجه‌گیری، گام‌های بعدی Feedback, Conclusion, Further Steps

برای ارسال نظر ثبت نام کنید.

آموزش تحلیل داده‌های تحقیقات نجومی با پایتون - آخرین آپدیت

دانلود Astronomy Research Data Analysis with Python

محتوای دوره:

پیش‌نیازها:

این دوره برای چه کسانی مناسب است؟

ویژگی‌های دوره:

هم‌اکنون ثبت‌نام کنید!

شروع با پایتون Starting with Python

مقدمه برنامه Introduction to the Program

مقدمه گوگل کولب Google Colab Introduction

کامنت‌ها در پایتون Comments in Python

متغیرها و ثابت‌ها Variables and Constants

انواع داده پایه Basic Data Types

اف-استرینگ‌ها (f-Strings) f-Strings

ورودی‌های کاربر User Inputs

تبدیل نوع داده Data Type Conversion

جریان کنترل Control Flow

توابع در پایتون Functions in Python

مقدمه آزمون پایتون Intro to Python Quiz

تجسم داده‌های جدولی با استفاده از Pandas، Matplotlib و Seaborn Tabular Data Visualization using Pandas, Matplotlib and Seaborn

مقدمه‌ای درباره ماژول ۲ Introduction about the module 2

مقدمه بر داده‌های جدولی Introduction to the Tabular Data

وارد کردن کتابخانه‌ها Importing the Libraries

نگاهی اجمالی به داده‌های جدولی Peeking into the Tabular Data

ایجاد دایرکتوری برای ذخیره تصاویر Creation of Directory to save Visuals

اولین تجسم از داده‌های جدولی First Visualization from Tabular Data

سفارشی‌سازی و ذخیره تصاویر Customizing and Saving the Visualizations

تجسم داده‌های رنگ ستاره Visualizing Star Color Data

تجسم داده‌های پرت (Outliers) در داده‌ها Visualizing the Outliers in the Data

نمودارهای خطی برای تجسم روند در داده‌ها Line Plots to Visualize the trend in Data

ایجاد Pairplot Creating a Pairplot

ایجاد نمودار HR Create HR Diagram

دانلود تصاویر Downloading the Visualizations

آزمون تجسم داده‌های جدولی Tabular Data Visualization Quiz

تجسم داده‌های تصویری Image Data Visualization

معرفی ماژول Introducing the Module

تصویر چیست؟ What is an Image?

فهمیدن فایل FITS Understanding FITS file

نصب و وارد کردن کتابخانه‌ها Installing and Importing Libraries

فرم SkyView SkyView Form

بازیابی و تجسم داده‌های تصویری کهکشان M31 در پایتون Fetch and Visualize M31 Galaxy in Python the image data

بازیابی و تجسم تصویر دیگری از M31 Fetch and visualize another Image of M31

ساخت فایل FITS خودتان Create your own FITS file

تجسم توزیع پیکسل‌های M31 Visualize Distribution of Pixels of M31

اعمال مقیاس‌بندی پیکسل MinMax بر روی پیکسل‌های M31 Apply MinMax Pixel Scaling on Pixels of M31

انواع مختلف مقیاس‌بندی پیکسل Different Types of Pixel Scaling

بازه ZScale از Astropy ZScaleInterval from Astropy

پردازش و تجسم داده‌های تصویری Image Data Processing and Visualisation

پردازش تصویر | اعمال فیلترها و استخراج ویژگی‌ها Image Processing | Apply Filters and Extracting Features

معرفی ماژول Introducing the Module

فهم عملیات کانولوشن (Convolution) Understanding Convolution operation

هسته گاوسی (Gaussian Kernel) برای حذف نویز Gaussian Kernel for Denoising

بهبود ویژگی‌ها در تصویر Enhancing the Features in the Image

گوشه Foerstner Corner Foerstner

ویژگی‌های پایه چند مقیاسی (محلی) Multiscale Basic (Local) Features

پردازش تصویر پیشرفته Advanced Image Processing

نتیجه‌گیری دوره Course Conclusion

بازخورد، نتیجه‌گیری، گام‌های بعدی Feedback, Conclusion, Further Steps

نمایش نظرات

https://donyad.com/d/0f3c20