Prazos flexíveis

Prazos flexíveis
Redefinir os prazos de acordo com sua programação.
Certificado compartilhável
Ganhe um certificado após a conclusão
100% online
Comece instantaneamente e aprenda em sua própria programação.
Nível intermediário
Aproximadamente. 24 horas para concluir
Inglês
Legendas: árabe, francês, português (europeu), italiano, vietnamita, alemão, russo, inglês, espanhol

Tara Murphy
professor associado
Escola de Física
Simon Murphy
Pesquisador pós-doutorado
Escola de PhysicsSyllabus – O que você aprenderá com este curso
Pensando em dados
Este módulo apresenta a idéia de pensamento computacional e como o Big Data pode tornar os problemas simples bastante desafiadores de resolver. Utilizamos o exemplo de calcular a mediana e a pilha média de um conjunto de imagens de rádio astronomia para ilustrar alguns dos problemas que você encontra ao trabalhar com grandes conjuntos de dados.
Big data torna as coisas lentas
Neste módulo, exploramos a idéia de escalar seu código. Alguns algoritmos escalam bem como seu conjunto de dados aumenta, mas outros se tornam impossivelmente lentos. Observamos parte do motivo disso e usamos o exemplo de catálogos astronômicos de correspondência cruzada para demonstrar que tipo de melhorias você pode fazer.
Consultando seus dados
A maioria dos grandes projetos de astronomia usa bancos de dados para gerenciar seus dados. Neste módulo, apresentamos o SQL – o idioma mais comumente usado para consultar bancos de dados. Utilizamos o SQL para consultar o banco de dados da NASA ExoLanet e investigar a habitabilidade dos planetas em outros sistemas solares.
Gerenciando seus dados
Este módulo apresenta os princípios básicos da configuração de bancos de dados. Analisamos como configurar novas tabelas e, em seguida, como combinar Python e SQL para tirar o melhor proveito das duas abordagens. Usamos essas ferramentas para explorar a vida das estrelas em um cluster estelar.
Aprendendo com dados: regressão
Este módulo apresenta a idéia de aprendizado de máquina. Observamos a metodologia padrão para executar experimentos de aprendizado de máquina e, em seguida, aplicamos isso ao cálculo do desvio para os vermelhos de galáxias distantes usando árvores de decisão para regressão.
Aprendendo com dados: classificação
Neste módulo final, exploramos as limitações dos classificadores de árvores de decisão. Em seguida, analisamos os classificadores de conjuntos, usando o algoritmo da floresta aleatória para classificar imagens de galáxias em diferentes tipos.