Что такое глубокое обучение?
Глубокое обучение — это передовые алгоритмы машинного обучения, которые требуют минимальных человеческих усилий и могут анализировать сложную структуру данных для прогнозирования и разработки продуктов.
Глубокое обучение включает в себя:
- Открыть резюме.
- Сверточные нейронные сети.
- Нейронные сети.
- Рекуррентные нейронные сети (RNN).
- Сети с долговременной кратковременной памятью (LSTM).
- Стекированные автокодировщики.
- Глубокая машина Больцмана (DBM).
- Сети глубокого убеждения (DBN).
Все алгоритмы используются для разных целей, от обнаружения объектов до анализа настроений или даже статистических прогнозов.
Как мы будем получать данные для прогнозирования космических угроз?
Мы в большинстве случаев можем использовать данные агентств космического мониторинга, таких как NASA в США, SUPARCO в Пакистане, ISRO — Индийская организация космических исследований, CNSA — Китайское национальное космическое управление и FSA — Космическое агентство Российской Федерации и т. д.
Набор данных может содержать изображения или видео аномалий, которые можно заархивировать по типам космических угроз. (Неструктурировано)
Набор данных может быть табличным в виде электронной таблицы о космической активности и, в основном, об отсутствии астероидов, замеченных вблизи Земли (структурированный).
Код проекта — прогнозирование угроз по структурированному набору данных о космических объектах вокруг всех черных дыр.
Dataset source: https://www.kaggle.com/datasets/brsdincer/space-objects-around-black-holes-esa Credits to Dataset custodian Baris Dincer kaggle profile: https://www.kaggle.com/brsdincer
Резюме и заключение
Этот проект на самом деле является довольно простым на более высоком уровне, поскольку вам нужно реализовать гораздо более продвинутые преобразования и точность прогнозирования, но для этого также требуются более продвинутые данные.
Никогда не следует забывать золотое правило GIGO (мусор в мусоре): мы можем хорошо работать с любыми проектами машинного обучения и науки о данных только в том случае, если у нас есть данные хорошего качества, поэтому любому специалисту по данным необходимо изучить бизнес-проблему и определить правильный данные, необходимые перед тем, как перейти к любому этапу преобразования и моделирования для анализа, работая аналитиком данных и инженером по машинному обучению.
