机器学习

所有帖子标记的机器学习

svmregression.

展示机器学习算法如何决定在两个类对象之间的边界的位置的动画。

DPS会议的第三天充满了关于Exoplanet系统的轨道架构的迷人谈话。

一个引起了我注意的人 丹tamayo.‘s talk on using 机器学习 分类行星系统的稳定性。

随着天文学家发现了更多的潜在行星系统,它’努力决定我们所看到的是否实际上是行星的越来越耗时或其他一些东西让我们愚弄了他们’re planets.

当天文学家找到他们认为的东西可能是行星系统时,他们检查的第一件事之一是推定的行星系统是否实际上是稳定的—也就是说,推定行星中的引力拖船是否会使物体彼此撞击或被抛出系统。

由于我们发现的大多数行星系统可能是数十亿年,天文学家希望真正的行星系统在数十亿年稳定,因此如果系统我们’在短时间内,重新看起来不稳定(不到数十亿年),我们通常会决定它’不是行星系统(或者我们估计行星参数)。

不幸的是,执行此检查通常需要运行大,复杂的计算机代码,调用 N-sural模拟 (“N”对于系统中的行星或机构的数量)为数百或数千个计算机。如果你,这可能是一个问题’vers的行星候选人洪水淹没 开普勒 或即将到来 苔丝 missions.

Tamayo想要尝试一种不同的方法:如果允许谷歌或Facebook的相同的机器学习技术是为了决定某人是否可能购买iPhone,可以用来更快地决定推定的行星系统是否稳定

所以Tamayo创造了许多,许多合成的行星系统,一些稳定,有些没有,并且他的机器学习算法排序。 根据Tamayo,他的计划能够拾取微妙的特征,帮助将稳定的系统与不稳定的系统区分开,在运行N体仿真的一小部分中具有非常高的准确性。

aaeaaqaaaaaaaaaaaajdjmowm5yzjjlwjhzgitnge4ys05ogi3lwu4mdjmmi4zgexyq.我还参加了一场打开的谈话 Patricia NSF的诺布泽 关于 无意识的偏见 及其对天文学和行星科学的影响。 Knezek解释说,一些研究表明,这些偏差如何导致每个人都会根据非常粗略的信息制定关于某人的无意识结论,例如他们的名字,种族,性别等。

例如, 一项研究 如果申请人,师范位置的申请相同的申请表’s first name was “Brian” instead of “Karen”,即使女性评估申请。

幸运的是,这些相同的研究表明了 几种减轻效果的方法 这些偏见,并意识到它们是一个很大的第一步。