ΑΝΑΛΥΣΗ ΑΣΤΡΟΝΟΜΙΚΩΝ ΔΕΔΟΜΕΝΩΝ
| Τίτλος | ΑΝΑΛΥΣΗ ΑΣΤΡΟΝΟΜΙΚΩΝ ΔΕΔΟΜΕΝΩΝ / ASTRONOMICAL DATA ANALYSIS |
| Κωδικός | ΥΦΕ221 |
| Σχολή | Θετικών Επιστημών |
| Τμήμα | Φυσικής |
| Κύκλος / Επίπεδο | 2ος / Μεταπτυχιακό |
| Περίοδος Διδασκαλίας | Χειμερινή/Εαρινή |
| Υπεύθυνος/η | Νικόλαος Στεργιούλας |
| Κοινό | Όχι |
| Κατάσταση | Ενεργό |
| Course ID | 600027795 |
Πρόγραμμα Σπουδών: ΠΜΣ ΥΠΟΛΟΓΙΣΤΙΚΗ ΦΥΣΙΚΗ 2025
Εγγεγραμμένοι φοιτητές: 0
| Κατεύθυνση | Τύπος Παρακολούθησης | Εξάμηνο | Έτος | ECTS |
|---|---|---|---|---|
| ΚΟΡΜΟΣ | Επιλογής | 2 | 1 | 7,5 |
| Τίτλος | ΑΝΑΛΥΣΗ ΑΣΤΡΟΝΟΜΙΚΩΝ ΔΕΔΟΜΕΝΩΝ |
| Ακαδημαϊκό Έτος | 2025 – 2026 |
| Περίοδος Τάξης | Εαρινή |
| Διδάσκοντες μέλη ΔΕΠ | |
| Class ID | 600286354
|
Επικ-προκλήσεις
- Μελλοντική νοημοσύνη
Τύπος Προσφοράς
- Επιστημονικής Περιοχής
- Μαθήματα Καινοτομίας
Τύπος Μαθήματος
Eιδίκευσης / Kατεύθυνσης
Τρόπος Παράδοσης
- Πρόσωπο με πρόσωπο
Ηλεκτρονική Διάθεση Μαθήματος
- e-Οδηγός Σπουδών https://qa.auth.gr/el/class/1/600286354
Erasmus
Το μάθημα προσφέρεται και σε φοιτητές
προγραμμάτων ανταλλαγής.
Γλώσσα Διδασκαλίας
- Ελληνικά (Διδασκαλία, Εξέταση)
- Αγγλικά (Διδασκαλία, Εξέταση)
Προαπαιτήσεις
Προαπαιτούμενα Μαθήματα
- ΥΦΥ101 ΥΠΟΛΟΓΙΣΤΙΚΑ ΜΑΘΗΜΑΤΙΚΑ
- ΥΦΥ105 ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΣ Ι
- ΥΦΥ106 ΕΡΓΑΛΕΙΑ ΕΠΙΣΤΗΜΟΝΙΚΟΥ ΠΡΟΓΡΑΜΜΑΤΙΣΜΟΥ
Μαθησιακά Αποτελέσματα
Με την επιτυχή ολοκλήρωση του μαθήματος, οι φοιτητές θα: α) Έχουν εξοικειωθεί με τις διάφορες απαιτήσεις που υπάρχουν για την στατιστική ανάλυση αστρονομικών δεδομένων. β) Έχουν εμπεδώσει στην πράξη τις κυριότερες από αυτές τις μεθόδους. γ) Να είναι σε θέση να εφαρμόσουν τις μεθόδους αυτές σε πραγματικά ερευνητικά προβλήματα.
Γενικές Ικανότητες
- Εφαρμογή της γνώσης στην πράξη
- Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση και των απαραίτητων τεχνολογιών
- Προσαρμογή σε νέες καταστάσεις
- Λήψη αποφάσεων
- Αυτόνομη εργασία
- Ομαδική εργασία
Περιεχόμενο Μαθήματος
Εβδομάδα 1 – Εισαγωγή στα Αστρονομικά Δεδομένα
Τύποι δεδομένων: απεικόνιση, φάσματα, κατάλογοι, χρονοσειρές, σήματα βαρυτικών κυμάτων
Απόκτηση δεδομένων (τηλεσκόπια, ανιχνευτές, αρχεία, προσομοιώσεις)
Μορφότυπο FITS, πρότυπα VO (Virtual Observatory)
Εβδομάδα 2 – Διαχείριση και Προεπεξεργασία Δεδομένων
Επεξεργασία δεδομένων: Astropy, Pandas
Καθαρισμός, φιλτράρισμα και βαθμονόμηση
Εισαγωγή στις παρατηρησιακές αβεβαιότητες
Εβδομάδα 3 – Στατιστικά Εργαλεία στην Αστρονομία
Κατανομές πιθανοτήτων, πιθανοφάνεια
Διάδοση σφαλμάτων
Έλεγχος υποθέσεων και Bayesian συμπερασματολογία
Εβδομάδα 4 – Φωτομετρική Ανάλυση Δεδομένων
Αστρικά μεγέθη, διαγράμματα χρώματος–μεγέθους
Εξαγωγή πηγών και προσαρμογή PSF (π.χ. SExtractor)
Εφαρμογές σε αστρικούς πληθυσμούς
Εβδομάδα 5 – Φασματοσκοπική Ανάλυση Δεδομένων
Βαθμονόμηση και μείωση φασμάτων
Αναγνώριση γραμμών, μέτρηση ερυθρομετατόπισης
Ακτινικές ταχύτητες και χημικές αφθονίες
Εβδομάδα 6 – Χρονοσειρές στην Αστρονομία
Μεταβλητοί αστέρες, διελεύσεις εξωπλανητών, πάλσαρ
Μέθοδοι Fourier, περιοδογράμματα
Λόγος σήματος προς θόρυβο
Εβδομάδα 7 – Κοσμολογικές Έρευνες και Κατάλογοι
Μεγάλης κλίμακας δομή, απογραφές γαλαξιών (SDSS, DESI)
Κατάλογοι ερυθρομετατόπισης, φωτομετρικές vs. φασματοσκοπικές ερυθρομετατοπίσεις
Διασταύρωση καταλόγων πολλαπλών μηκών κύματος
Εβδομάδα 8 – Ανάλυση Δεδομένων Βαρυτικών Κυμάτων Ι
Δεδομένα LIGO/Virgo/KAGRA
Μοντέλα κυματομορφών
GWOSC, PyCBC
Εβδομάδα 9 – Ανάλυση Δεδομένων Βαρυτικών Κυμάτων ΙΙ
Εκτίμηση PSD, λεύκανση δεδομένων
Φιλτράρισμα με πρότυπες κυματομορφές, λόγος σήματος προς θόρυβο
Εβδομάδα 10 – Ανάλυση Δεδομένων Βαρυτικών Κυμάτων ΙΙΙ
Εκτίμηση παραμέτρων για συγχωνεύσεις συμπαγών συστημάτων
Bayesian συμπερασματολογία με Bilby
Προκλήσεις ανάλυσης δεδομένων για το LISA
Εβδομάδα 11 – Μηχανική Μάθηση στην Αστρονομία Ι
Επιβλεπόμενη και μη επιβλεπόμενη μάθηση
Ταξινόμηση, ανίχνευση ανωμαλιών
Εβδομάδα 12 – Μηχανική Μάθηση στην Αστρονομία ΙΙ
Μοντέλα μειωμένης τάξης
Εκτίμηση παραμέτρων με χρήση μηχανικής μάθησης
Εβδομάδα 13 – Προχωρημένα Θέματα
Οπτικοποίηση δεδομένων
Προκλήσεις μεγάλων δεδομένων στην αστρονομία
Ηθικά ζητήματα και αναπαραγωγιμότητα
Λέξεις Κλειδιά
ανάλυση δεδομένων, χρονοσειρές, συμπερασματολογία, αστρονομία
Τύποι Εκπαιδευτικού Υλικού
- Σημειώσεις
- Διαφάνειες
- Βιβλίο
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών
Χρήση Τ.Π.Ε.
- Χρήση Τ.Π.Ε. στη Διδασκαλία
- Χρήση Τ.Π.Ε. στην Εργαστηριακή Εκπαίδευση
- Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές
- Χρήση Τ.Π.Ε. στην Αξιολόγηση των Φοιτητών
Περιγραφή
α) Χρήση Τ.Π.Ε. στη Διδασκαλία και Εργαστηριακή Εκπαίδευση: Χρήση προγραμματισμού (python, pytorch κ.ά.) καθώς και εξειδικευμένα πακέτα ανάλυσης δεδομένων. β) Χρήση Τ.Π.Ε. στην Επικοινωνία με τους φοιτητές (email, διαδραστική πλατφόρμα elearning, επίλυση αποριών με εξ’ αποστάσεως συνεδρία). γ) Χρήση Τ.Π.Ε. στην αξιολόγηση των φοιτητών (διαδραστική πλατφόρμα elearning, κατάθεση εργασιών και quiz).
Οργάνωση Μαθήματος
| Δραστηριότητες | Φόρτος Εργασίας | ECTS | Ατομικά | Ομαδικά | Erasmus |
|---|---|---|---|---|---|
| Διαλέξεις | 114 | ✓ | |||
| Φροντιστήριο | 78 | ||||
| Συγγραφή εργασίας / εργασιών | 30 | ✓ | |||
| Εξετάσεις | 3 | ||||
| Σύνολο | 225 |
Αξιολόγηση Φοιτητών
Περιγραφή
Γραπτή Εργασία (Διαμορφωτική), Γραπτή Εξέταση με Ερωτήσεις Εκτεταμένης Απάντησης (Συμπερασματική) και Γραπτή Εξέταση με Επίλυση Προβλημάτων (Συμπερασματική)
Μέθοδοι Αξιολόγησης Φοιτητών
- Γραπτή Εξέταση με Ερωτήσεις Σύντομης Απάντησης (Συμπερασματική)
- Γραπτή Εξέταση με Ερωτήσεις Εκτεταμένης Απάντησης (Συμπερασματική)
- Γραπτή Εργασία (Διαμορφωτική)
- Γραπτή Εξέταση με Επίλυση Προβλημάτων (Συμπερασματική)
Βιβλιογραφία
Βιβλιογραφία μαθήματος (Εύδοξος)
Ανάλυση Δεδομένων με Python, McKinney Wes (2024), Εκδ. Παπασωτηρίου. Κωδικός Βιβλίου στον Εύδοξο: 133037549
Επιπρόσθετη βιβλιογραφία για μελέτη
Statistics, Data Mining, and Machine Learning in Astronomy: A Practical Python Guide for the Analysis of Survey Data, Updated Edition, Željko Ivezić, Andrew J. Connolly, Jacob T. VanderPlas, and Alexander Gray, Princeton University Press (2019)
Τελευταία Επικαιροποίηση
03-10-2025
