611 Convolutional Neural Networks in Astroinformatics: Machine Learning Methods for Galaxy Classification: Unterschied zwischen den Versionen
(Die Seite wurde neu angelegt: „'''Versuchnummer: 611''' In der modernen Astronomie stellt die automatisierte Klassifizierung von Galaxien anhand ihrer morphologischen Eigenschaften eine sign…“) |
Bomans (Diskussion | Beiträge) (added english translation) |
||
| (3 dazwischenliegende Versionen von einem anderen Benutzer werden nicht angezeigt) | |||
| Zeile 1: | Zeile 1: | ||
| − | |||
In der modernen Astronomie stellt die automatisierte Klassifizierung von Galaxien anhand ihrer morphologischen Eigenschaften eine signifikante Herausforderung und zugleich eine bedeutende Gelegenheit dar, unser Verständnis des Universums zu vertiefen. Dieses Fortgeschrittenenpraktikum zielt darauf ab die praktische Anwendung von Convolutional Neural Networks (CNNs) für die Klassifizierung zu vermitteln. Der EFIGI-Datensatz, eine umfassende Sammlung von Galaxienbildern, bietet eine diverse Grundlage für die Erkundung von Galaxienmorphologien, die von elliptischen bis zu irregulären Formen reichen. | In der modernen Astronomie stellt die automatisierte Klassifizierung von Galaxien anhand ihrer morphologischen Eigenschaften eine signifikante Herausforderung und zugleich eine bedeutende Gelegenheit dar, unser Verständnis des Universums zu vertiefen. Dieses Fortgeschrittenenpraktikum zielt darauf ab die praktische Anwendung von Convolutional Neural Networks (CNNs) für die Klassifizierung zu vermitteln. Der EFIGI-Datensatz, eine umfassende Sammlung von Galaxienbildern, bietet eine diverse Grundlage für die Erkundung von Galaxienmorphologien, die von elliptischen bis zu irregulären Formen reichen. | ||
Das Praktikum bietet eine Einführung in die grundlegenden Konzepte des maschinellen Lernens und der tiefen neuronalen Netze, speziell im Kontext der Bilderkennung. Durch praktische Übungen erlangen die Studierenden ein tiefgreifendes Verständnis der Herausforderungen und Strategien bei der Klassifizierung (astronomischer) Bilddaten. | Das Praktikum bietet eine Einführung in die grundlegenden Konzepte des maschinellen Lernens und der tiefen neuronalen Netze, speziell im Kontext der Bilderkennung. Durch praktische Übungen erlangen die Studierenden ein tiefgreifendes Verständnis der Herausforderungen und Strategien bei der Klassifizierung (astronomischer) Bilddaten. | ||
| + | |||
| + | |||
| + | In modern astronomy, the automated classification of galaxies based on their morphological properties represents both a significant challenge and an important opportunity to deepen our understanding of the universe. This advanced practical course aims to teach the practical application of Convolutional Neural Networks (CNNs) for classification. The EFIGI dataset, a comprehensive collection of galaxy images, provides a diverse basis for the exploration of galaxy morphologies ranging from elliptical to irregular shapes. | ||
| + | The lab provides an introduction to the basic concepts of machine learning and deep neural networks, especially in the context of image recognition. Through practical exercises, students will gain an in-depth understanding of the challenges and strategies involved in classifying (astronomical) image data. | ||
| + | |||
| + | |||
| + | [http://www.ep1.ruhr-uni-bochum.de/~f-prakt/anleitung/Vers611.pdf Anleitung/Manual] | ||
Aktuelle Version vom 11. April 2024, 15:12 Uhr
In der modernen Astronomie stellt die automatisierte Klassifizierung von Galaxien anhand ihrer morphologischen Eigenschaften eine signifikante Herausforderung und zugleich eine bedeutende Gelegenheit dar, unser Verständnis des Universums zu vertiefen. Dieses Fortgeschrittenenpraktikum zielt darauf ab die praktische Anwendung von Convolutional Neural Networks (CNNs) für die Klassifizierung zu vermitteln. Der EFIGI-Datensatz, eine umfassende Sammlung von Galaxienbildern, bietet eine diverse Grundlage für die Erkundung von Galaxienmorphologien, die von elliptischen bis zu irregulären Formen reichen. Das Praktikum bietet eine Einführung in die grundlegenden Konzepte des maschinellen Lernens und der tiefen neuronalen Netze, speziell im Kontext der Bilderkennung. Durch praktische Übungen erlangen die Studierenden ein tiefgreifendes Verständnis der Herausforderungen und Strategien bei der Klassifizierung (astronomischer) Bilddaten.
In modern astronomy, the automated classification of galaxies based on their morphological properties represents both a significant challenge and an important opportunity to deepen our understanding of the universe. This advanced practical course aims to teach the practical application of Convolutional Neural Networks (CNNs) for classification. The EFIGI dataset, a comprehensive collection of galaxy images, provides a diverse basis for the exploration of galaxy morphologies ranging from elliptical to irregular shapes.
The lab provides an introduction to the basic concepts of machine learning and deep neural networks, especially in the context of image recognition. Through practical exercises, students will gain an in-depth understanding of the challenges and strategies involved in classifying (astronomical) image data.
