درسنامهای روایی برای شروع کار بابرنامهنویسی،دادههای نجومی و ابزارهای هوشمند
این متن خلاصه شده و منظم شده جلسه دشت ستارگان به تاریخ سه شنبه 14 جولای 2026 / 23 تیر 1405 است که به صورت آنلاین برگزار و در طی آن آقای هدایت بازافکن درباره هوش مصنوعی و کاربردهای آن در نجوم صحبت کردند
این فصل بر پایهٔ جلسهٔ «هوش مصنوعی، عوامل خودکار و دنیای نجوم» نوشته شده است، اما متن حاضر صورت گفتوگوی خام ندارد. آنچه در ادامه میآید، بازسازی درسنامهایِ جلسه است؛ گویی دانشجوی علاقهمندی روبهروی ما نشسته که از نجوم خوشش میآید، از هوش مصنوعی زیاد شنیده، اما هنوز نمیداند از کجا باید شروع کند. هدف فصل این نیست که خواننده پس از یک ساعت برنامهنویس حرفهای شود؛ هدف این است که نقشهٔ راه را ببیند، اصطلاحات اصلی را بفهمد، بداند هر ابزار کجا به کار میآید، و در پایان بتواند یک پروژهٔ آزمایشی کوچک در مرز نجوم و هوش مصنوعی طراحی کند.
اهداف یادگیری
• درک اینکه رایانه و محاسبات چگونه از آغاز وارد نجوم و مأموریتهای فضایی شدند.
• آشنایی مقدماتی با اجزای یک پلتفرم نرمافزاری: رابط کاربری، فرانتاند، بکاند، پایگاه داده، سرور و هستهٔ هوش مصنوعی.
• شناخت زبانهای اصلی برنامهنویسی و جایگاه هرکدام در پروژههای نجومی و فضایی.
• فهم مفهوم کتابخانهٔ نرمافزاری و آشنایی با کتابخانههای پایهٔ نجوم، بهویژه خانوادهٔ Astropy.
• درک کاربردهای اصلی هوش مصنوعی در نجوم: طبقهبندی، دادهکاوی، تشخیص ناهنجاری، تحلیل زمانی و جداسازی منابع.
• آشنایی با عاملهای هوشمند و طراحی یک گردش کار ساده برای یک پروژهٔ نجومی.
• توانایی طراحی یک تست آموزشی کوچک با دادههای آمادهٔ نجومی یا یک مجموعهدادهٔ عمومی.
| نقطهٔ شروع درست: در این فصل لازم نیست از همان ابتدا کدنویسی عمیق بلد باشیم. اما باید بدانیم ابزارها چه میکنند، داده از کجا میآید، خروجی چگونه اعتبارسنجی میشود، و چرا نباید پاسخ مدل زبانی را جایگزین محاسبهٔ علمی کنیم. |
۱) ازمحاسبهٔ انسانی تاعامل هوشمند
نجوم از همان آغاز با محاسبه گره خورده بود. پیش از رایانههای الکترونیکی، محاسبات نجومی را انسانها انجام میدادند: موقعیت اجرام، زمانبندی پدیدهها، مسیرها، مدارها و دادههای رصدی باید با دست، جدول و ابزارهای محاسباتی اولیه پردازش میشد. در واقع واژهٔ «کامپیوتر» در یک دوره به انسانهایی گفته میشد که کارشان محاسبه بود. با ظهور رایانههای الکترونیکی در دهههای میانی قرن بیستم، این محاسبهٔ انسانی آرامآرام به ماشین سپرده شد.
نخستین رایانهها عظیم، کند و پرمصرف بودند. دستگاههایی که با لامپهای خلأ کار میکردند، گاهی اندازهٔ یک سالن بودند، اما توان پردازشیشان از تلفنهای همراه امروزی بسیار کمتر بود. با این حال، همین ابزارهای ابتدایی راه را برای محاسبهٔ سریعتر مدارها، برنامهریزی مأموریتها و کنترل سامانههای فضایی باز کردند. در دههٔ ۱۹۶۰، رایانهها وارد برنامههای فضایی شدند؛ از محاسبهٔ مسیر در مأموریتهای اولیه تا نرمافزارهای مأموریت آپولو.
نماد بسیار مهم این دوره، مارگارت همیلتون است؛ مهندس نرمافزاری که در برنامهٔ آپولو نقش کلیدی داشت. تصویر مشهور او در کنار حجم کدی که برای مأموریت آپولو نوشته شده، یادآور این نکته است که پیشرفت فضایی فقط محصول موشک و تلسکوپ نبود؛ نرمافزار، الگوریتم و نظم فکریِ برنامهنویسی نیز بخشی از زیرساخت سفر انسان به ماه بودند.
شکل۲. مارگارت همیلتون وکدهای برنامهٔ آپولو
۲) وقتی ازیک پلتفرم حرف میزنیم،دربارهٔ چه چیزی حرف میزنیم؟
پیش از ورود به هوش مصنوعی، باید چند واژهٔ پایه را روشن کنیم. وقتی میگوییم «یک ابزار نجومی آنلاین»، «یک اپلیکیشن تحلیل داده» یا «یک عامل هوشمند»، معمولاً با یک پلتفرم چندلایه روبهرو هستیم. کاربر فقط بخشی را میبیند: دکمهها، فرمها، نمودارها، جعبهٔ جستوجو یا پنجرهٔ چت. اما پشت این نمای ساده، چند لایهٔ فنی کار میکند.
| جزء | کار سادهشده | مثال در یک پروژهٔ نجومی |
| UI/UX یا رابط کاربری | چیزی که کاربر میبیند و با آن تعامل میکند. | صفحهای که در آن نام جرم، بازهٔ زمانی یا فایل داده را وارد میکنیم. |
| فرانتاند | کدها و عملیات سمت کاربر؛ بخشی که در مرورگر یا اپلیکیشن اجرا میشود. | نمایش نمودار منحنی نوری یا فیلترکردن جدول نتایج روی صفحه. |
| بکاند | منطق پشت صحنه که روی سرور اجرا میشود. | دریافت درخواست، فراخوانی پایگاه داده و اجرای تحلیل. |
| پایگاه داده | محل ذخیرهٔ دادهها و نتایج. | آرشیو ستارگان، تصاویر، طیفها، منحنیهای نوری یا نتایج تحلیل. |
| سرور | رایانه یا سامانهای که خدمات اصلی را اجرا میکند. | ماشینی که درخواست شما را پردازش و پاسخ را برمیگرداند. |
| هستهٔ هوش مصنوعی | مدل یا عامل هوشمندی که تحلیل، طبقهبندی یا تولید پاسخ را انجام میدهد. | مدلی که تصویر کهکشان را طبقهبندی میکند یا عامل هوشمندی که دادهٔ Gaia را جستوجو میکند. |
۳) زبانهای برنامهنویسی
برای شروع کار در نجوم محاسباتی، لازم نیست همهٔ زبانهای برنامهنویسی را یاد بگیریم. مهمتر این است که بدانیم هر زبان چه نقشی دارد. در جلسه، چند زبان مهم معرفی شد: Python، C/C++، Rust، MATLAB/Simulink، Java و JavaScript/TypeScript. برای یک علاقهمند یا دانشجوی تازهکار، Python بهترین نقطهٔ شروع است؛ چون خواناتر است، ساختارش به زبان انسان نزدیکتر است و کتابخانههای فراوانی برای علم داده، یادگیری ماشین و نجوم دارد.
| زبان یا محیط | نقطهٔ قوت | کجا در نجوم و فضا کاربرد دارد؟ |
| Python | خوانایی بالا، کتابخانههای فراوان، مناسب برای آموزش و تحلیل داده. | تحلیل دادههای نجومی، کار با Astropy، منحنیهای نوری، یادگیری ماشین، نمونهسازی سریع. |
| C / C++ | سرعت بالا و نزدیکی به سختافزار. | سامانههای پروازی، پردازش سریع، نرمافزارهای حساس به زمان. |
| Rust | سرعت مناسب همراه با ایمنی حافظه. | سامانههای امن، ابزارهای فضایی در حال رشد، پروژههای نیازمند اطمینان بالا. |
| MATLAB / Simulink | محیط ریاضی و شبیهسازی گرافیکی. | مدلسازی، کنترل، شبیهسازی سامانههای دینامیکی و آموزشی. |
| Java | پایداری و ساختار سازمانی. | تحلیل مأموریت، ابزارهای پایدار، نرمافزارهای بزرگ. |
| JavaScript / TypeScript | تعامل وب و نمایش داده. | داشبورد، رابط کاربری، نمایش نقشه، نمودار و ابزارهای آنلاین. |
| برای شروع چه کنیم؟ اگر هدف شما یادگیری عملی در نجوم است، Python را انتخاب کنید. نه به این دلیل که همیشه بهترین یا سریعترین است، بلکه چون برای یادگیری، تحلیل داده، فراخوانی کتابخانهها و کار با ابزارهای هوش مصنوعی، کمهزینهترین مسیر آغاز است. |
۴) کتابخانه یعنی چه وچرا مهم است؟
یکی از پرسشهای مهم در جلسه این بود: وقتی میگوییم یک زبان برنامهنویسی «کتابخانه» دارد، منظور چیست؟ کتابخانه مجموعهای از کدهای آماده است که برای یک کار مشخص نوشته شدهاند. اگر کسی پیش از ما ابزار تبدیل مختصات، خواندن فایل FITS، تحلیل منحنی نوری یا جستوجو در یک پایگاه دادهٔ نجومی را نوشته و در دسترس گذاشته باشد، دیگر لازم نیست چرخ را از اول اختراع کنیم. کافی است آن کتابخانه را فراخوانی کنیم و از ابزارهایش استفاده کنیم.
قدرت Python در همینجاست. برای بسیاری از کارهای علمی و نجومی، کتابخانههایی آماده وجود دارد. برخی از این کتابخانهها مستقیماً نجومیاند و برخی دیگر عمومیترند اما در نجوم هم به کار میآیند. هوش مصنوعی امروز میتواند فراخوانی و استفاده از این کتابخانهها را برای ما سادهتر کند، اما همچنان مهم است بدانیم پشت پرده از چه ابزاری استفاده میشود.
| کتابخانه | کاربرد اصلی |
| Astropy | واحدها، مختصات، زمان، کیهانشناسی و کار با فایلهای FITS. |
| Astroquery | دریافت داده از پایگاههایی مانند Gaia، SIMBAD، VizieR و MAST. |
| Photutils | نورسنجی، تشخیص منبع و تحلیل تصویر. |
| Lightkurve | کار با منحنیهای نوری، بهویژه دادههای Kepler و TESS. |
| SunPy | پردازش و تحلیل دادهها و تصاویر خورشیدی. |
| AstroML | یادگیری ماشین با مثالها و دادههای نجومی. |
۵) تجربههای کوچک، اما مهم: از کیوبیسیک تا اسپکتروم لب
در جلسه، تجربههای اولیهٔ شخصی نیز بهعنوان نمونهای از مسیر یادگیری مطرح شد. بسیاری از علاقهمندان قدیمی نجوم، نخستین برخوردشان با رایانه از کتابهایی مانند «نجوم با کامپیوتر شخصی» و زبانهایی مانند کیوبیسیک آغاز شد: تبدیل تقویم، محاسبهٔ مختصات، یا اجرای برنامههای سادهٔ نجومی. امروز این زبانها دیگر مسیر اصلی نیستند، اما ارزش آموزشی آن تجربهها هنوز باقی است: یادگیری از پروژههای کوچک آغاز میشود.
شکل ۶. نمونهای از مسیرهای قدیمیتر یادگیری نجوم محاسباتی با رایانهٔ شخصی و کیوبیسیک.
نمونهٔ دیگر، استفاده از اسپکتروم لب برای شناسایی شهابها با روش رادیویی بود. در این روش، بازتاب یا تغییرات ناشی از عبور شهاب در امواج رادیویی بررسی میشود. این مثال بهخوبی نشان میدهد که پروژهٔ آموزشی الزاماً نباید عظیم باشد؛ کافی است یک پرسش مشخص، دادهٔ قابلدریافت و ابزار مناسب داشته باشیم.
شکل ۷. ایدهٔ استفاده از اسپکتروم لب و دریافت رادیویی برای آشکارسازی شهابها.
۶) هوش مصنوعی در نجوم چه کار میکند؟
در نجوم جدید، حجم دادهها بسیار زیاد است: تصویر، طیف، منحنی نوری، کاتالوگ، دادهٔ تلهمتری، دادهٔ مأموریت و آرشیوهای بزرگ رصدی. هوش مصنوعی در این میان جایگزین فیزیک و محاسبات علمی نیست؛ بلکه ابزار هماهنگکننده، جستوجوگر، طبقهبند و تحلیلگر است. یعنی به ما کمک میکند داده را سریعتر پاکسازی، دستهبندی و بررسی کنیم؛ اما تفسیر نهایی باید همچنان علمی، فیزیکی و قابلاعتبارسنجی باشد.
کاربردهای پایه
• طبقهبندی: تشخیص نوع جرم، مانند ستاره، کهکشان، اختروش یا ابرنواختر.
• تشخیص منبع: پیدا کردن اجرام در تصویرهای شلوغ و کمنور.
• بخشبندی و جداسازی: تفکیک اجرامی که در تصویر روی هم افتادهاند یا مرزهایشان روشن نیست.
• دادهکاوی: یافتن الگو در میلیونها رکورد، طیف یا تصویر.
• تشخیص ناهنجاری: پیدا کردن مواردی که از الگوی معمول پیروی نمیکنند و شاید ارزش بررسی علمی داشته باشند.
• تحلیل زمانی: بررسی تغییرات روشنایی، فورانها، گذرها و رفتارهای دورهای.
| اصل طلایی: سرعت کشف را میتوان با هوش مصنوعی بالا برد، اما تفسیر نهایی باید با فیزیک، دادهٔ معتبر و روش علمی کنترل شود. مدل زبانی میتواند کمک کند؛ اما نباید مرجع نهایی محاسبه باشد. |
۷) چهارچوبهای عمومی هوش مصنوعی ویادگیری ماشین
برای تحلیل دادههای نجومی، علاوه بر کتابخانههای تخصصی نجوم، از چهارچوبهای عمومی یادگیری ماشین نیز استفاده میشود. Scikit-learn برای کارهای کلاسیکتر مانند طبقهبندی، رگرسیون و خوشهبندی مناسب است. PyTorch برای شبکههای عصبی و مدلهای عمیق بهکار میرود، بهویژه در تصویر و طیف. JAX برای محاسبات سریع، شبیهسازیهای مشتقپذیر و کارهای مبتنی بر GPU کاربرد دارد. PyMC برای استنباط بیزی و کار با عدم قطعیت مناسب است.
برای یک دانشجوی تازهکار، مهمترین توصیه این است: از مدل ساده شروع کنید. پیش از آنکه سراغ شبکهٔ عصبی عمیق بروید، یک روش پایه مانند رگرسیون، طبقهبندی ساده یا خوشهبندی را امتحان کنید. اگر مدل ساده پاسخ قابلقبولی داد، مدل پیچیدهتر را بهعنوان گام بعدی بررسی کنید. در کار علمی، پیچیدهتر بودن مدل الزاماً به معنای بهتر بودن نتیجه نیست.
۸) ابزارهای تخصصی ومدلهای چند وجهی
در سالهای اخیر، ابزارهای تخصصی بیشتری برای دادههای نجومی ساخته شدهاند: ابزارهایی برای طبقهبندی شکل کهکشانها، کشف ناهنجاری، بخشبندی تصویر، جداسازی منابع و کار با دادههای بزرگ. برخی از این ابزارها مستقیماً برای پژوهش نجومی طراحی شدهاند و برخی دیگر به جامعهٔ یادگیری ماشین نزدیکترند.
گام جدیدتر، مدلهای بنیادین و چندوجهی است. در اینجا مدل فقط با یک نوع داده کار نمیکند؛ بلکه میتواند تصویر، طیف، متن و منحنی نوری را کنار هم ببیند و میان آنها ارتباط برقرار کند. این مسیر هنوز در حال رشد است و باید با احتیاط علمی به آن نگاه کرد؛ اما ظرفیت آن برای جستوجوی شباهت، طبقهبندی، انتقال یادگیری، استخراج ویژگی و تخمین پارامترهای فیزیکی بسیار مهم است.
۹) محاسبات فیزیکی هنوز هستهٔ کارند
هوش مصنوعی میتواند ابزار را هماهنگ کند، داده را جستوجو کند و مدل پیشنهادی بسازد، اما در بسیاری از پروژههای نجومی، محاسبات فیزیکی معتبر هنوز پایهٔ اصلی کارند. برای دینامیک ستارهای و کهکشانی، مدارها، مأموریتها و کیهانشناسی، کتابخانههایی وجود دارد که بر پایهٔ مدلها و محاسبات فیزیکی ساخته شدهاند.
| حوزه | نمونه ابزارها | کاربرد آموزشی |
| دینامیک ستارهای و کهکشانی | Galpy، Gala/AGAMA، AMUSE | شبیهسازی مدار ستارهها یا پتانسیل کهکشان. |
| سیارات و منظومهها | REBOUND، Lightkurve/Batman، Exoplanet | مدلسازی گذر سیاره یا شبیهسازی چندجسمی. |
| مدار و مأموریت | Poliastro، Orekit، Basilisk | تحلیل مدار، انتشار مدار و شبیهسازی کنترل فضایی. |
| کیهانشناسی | Astropy Cosmology، CAMB/CLASS | محاسبهٔ فاصله، انتقالبهسرخ و طیف توان ماده یا تابش زمینه. |
۱۰) عامل هوشمند چیست؟
عامل هوشمند یا AI Agent را میتوان یک سامانهٔ نیمهخودکار دانست که فقط پاسخ متنی نمیدهد؛ بلکه میتواند ابزارها را فراخوانی کند، داده بگیرد، محاسبه انجام دهد، خروجی را بررسی کند و گزارش بسازد. در نجوم، عامل هوشمند زمانی ارزشمند است که به جای حدسزدن از متن، واقعاً به ابزار علمی وصل شود: مثلاً داده را از Gaia یا SDSS یا MAST دریافت کند، با Astropy یا Lightkurve تحلیل کند، نتیجه را رسم کند و سپس گزارشی قابلبررسی ارائه دهد.
اصل مهم در طراحی عامل نجومی
• عامل باید بتواند دادهٔ واقعی را از یک منبع معتبر دریافت کند.
• عامل باید ابزار علمی مناسب را فراخوانی کند، نه اینکه فقط از حافظهٔ زبانی خود پاسخ بسازد.
• عامل باید خطاها و واحدها را کنترل کند؛ مثلاً تفاوت درجه، رادیان، روز ژولیوسی و زمان UTC را نادیده نگیرد.
• عامل باید خروجی قابلبررسی بسازد: جدول، نمودار، کد، منبع داده و توضیح روش.
• کاربر یا پژوهشگر باید مرحلهٔ نهایی اعتبارسنجی را انجام دهد.
۱۱) هوش مصنوعی در سامانههای فضایی و خودمختار
کاربرد هوش مصنوعی فقط محدود به تحلیل دادههای آرشیوی نیست. در سامانههای فضایی، رباتها و مأموریتهای خودکار، هوش مصنوعی میتواند در تصمیمسازی، شبیهسازی، اعتبارسنجی فرمان و کمک به اپراتور انسانی نقش داشته باشد. در چنین سامانههایی، مدل زبانی نباید مستقیماً فرمان حساس پروازی صادر کند. مسیر درست این است که عامل هوشمند پیشنهاد یا تحلیل بدهد، سامانهٔ شبیهساز و اعتبارسنجی آن را بررسی کند، انسان آن را تأیید کند و سپس فرمان به سامانهٔ کنترلشده منتقل شود.
۱۲) داده را از کجا پیدا کنیم؟
برای کار عملی، نخست باید منبع داده داشته باشیم. خوشبختانه منابع عمومی فراوانی وجود دارد. برخی برای پروژههای پژوهشی جدی مناسباند و برخی برای تمرین و یادگیری. اگر تازهکار هستید، بهتر است از دادههای آماده و تمیزتر شروع کنید و سپس آرامآرام به آرشیوهای علمی اصلی بروید.
شکل۱۷. .
| منبع | نوع داده | پیشنهاد استفاده برای تازهکار |
| Kaggle Astronomy | دیتاست آماده و Notebook آموزشی | بهترین نقطهٔ شروع برای تمرین سریع و یادگیری گردش کار. |
| SDSS | تصویر، طیف و کاتالوگ | تمرین طبقهبندی کهکشانها یا کار با کاتالوگهای طیفی. |
| Gaia Archive | اخترسنجی، فاصله، حرکت خاص | پروژههای مربوط به خوشههای ستارهای، حرکتها و فاصلهها. |
| MAST | دادهٔ TESS، Kepler، Hubble، JWST و منحنی نوری | تحلیل منحنی نوری و جستوجوی الگوهای زمانی. |
| NASA Exoplanet Archive | کاتالوگ سیارات فراخورشیدی | تمرین روی دادههای سیارات فراخورشیدی و نمودارهای مقایسهای. |
| SIMBAD / VizieR | شناسهٔ اجرام و کاتالوگها | جستوجوی مرجع و تکمیل اطلاعات اجرام. |
۱۳) کارگاه عملی: نخستین پروژهٔ آزمایشی خود راطراحی کنید
اکنون فرض کنیم شما همان دانشجوی علاقهمندی هستید که میخواهد پس از خواندن این فصل یک تست واقعی انجام دهد. قرار نیست پروژهٔ شما کشف علمی بزرگ باشد. هدف، ساختن یک مسیر کوچک و درست است: پرسش، داده، ابزار، تحلیل، اعتبارسنجی و گزارش.
| پروژهٔ پیشنهادی فصل: یک پروژهٔ بسیار کوچک انتخاب کنید: «طبقهبندی مقدماتی چند تصویر کهکشان»، «رسم و بررسی یک منحنی نوری»، یا «جستوجوی چند جرم در Gaia و ساخت جدول ساده». پروژهٔ خوب، پروژهای است که بتوانید در چند ساعت آغازش کنید و در چند روز تمیزش کنید. |
گزینهٔ اول: طبقهبندی سادهٔ تصاویر کهکشان
1. در Kaggle یک مجموعهدادهٔ آمادهٔ مربوط به تصاویر کهکشان یا طبقهبندی نجومی پیدا کنید.
2. از یک مدل زبانی بخواهید ساختار پوشهها و ستونهای دیتاست را برایتان توضیح دهد.
3. از مدل بخواهید یک Notebook ساده برای نمایش چند تصویر و خواندن برچسبها بنویسد.
4. ابتدا بدون مدل پیچیده، فقط داده را ببینید: چند تصویر، چند کلاس، چه خطاهایی؟
5. سپس یک مدل سادهٔ طبقهبندی یا یک روش آماده را امتحان کنید و خروجی را با برچسبها مقایسه کنید.
6. در گزارش بنویسید: داده از کجا آمد، چه پیشپردازشی انجام شد، مدل چه کرد، و کجاها خطا داشت.
| پرامپت نمونه برای شروع من یک دانشجوی تازهکار در نجوم و Python هستم. یک دیتاست تصاویر کهکشان در Kaggle دارم. لطفاً یک برنامهٔ قدمبهقدم بده که ابتدا داده را بخوانم، چند نمونه را نمایش دهم، تعداد کلاسها را بشمارم و سپس یک مدل سادهٔ طبقهبندی بسازم. کد را در قالب Notebook و با توضیح فارسی بنویس. از مدل پیچیده شروع نکن؛ ابتدا یک baseline ساده بساز. |
گزینهٔ دوم: تحلیل یک منحنی نوری
1. یک دادهٔ آماده از TESS یا Kepler پیدا کنید؛ سادهترین مسیر استفاده از مثالهای Lightkurve یا دادههای آماده در MAST است.
2. از مدل هوش مصنوعی بخواهید توضیح دهد منحنی نوری چیست و چه خطاهایی ممکن است در آن وجود داشته باشد.
3. با کمک Lightkurve یا ابزار مشابه، منحنی را رسم کنید.
4. دنبال افت روشنایی، فوران یا تغییر دورهای بگردید؛ اما نتیجه را با احتیاط تفسیر کنید.
5. گزارش کوتاهی بنویسید: جرم چیست؟ داده از کجا آمده؟ نمودار چه چیزی نشان میدهد؟ چه چیزهایی هنوز قطعی نیست؟
| پرامپت نمونه برای منحنی نوری میخواهم با Lightkurve یک منحنی نوری ساده از دادههای TESS یا Kepler رسم کنم. لطفاً مراحل را از نصب کتابخانه تا دریافت داده، پاکسازی اولیه، رسم نمودار و توضیح خطاهای احتمالی بنویس. کد را طوری بنویس که هر خط توضیح داشته باشد و خروجی قابلتفسیر باشد. |
گزینهٔ سوم: جستوجودرGaia وساخت جدول ساده
1. یک پرسش ساده تعریف کنید؛ مثلاً «چند ستارهٔ درخشان نزدیک در یک ناحیهٔ آسمان را پیدا کن».
2. از Astroquery یا رابط Gaia Archive برای دریافت داده استفاده کنید.
3. ستونهای اصلی را مشخص کنید: موقعیت، قدر، پارالاکس، حرکت خاص و خطاها.
4. یک نمودار ساده بسازید؛ مثلاً پراکندگی موقعیت یا رابطهٔ قدر و پارالاکس.
5. بررسی کنید آیا واحدها درستاند و آیا دادههای پرت یا خطادار باید حذف شوند.
| پرامپت نمونه برای عامل جستوجوی Gaia میخواهم یک عامل ساده بسازم که از Gaia Archive داده بگیرد، چند ستون اصلی را برگرداند و یک نمودار ساده بسازد. عامل نباید از حافظهٔ خودش عدد بسازد. باید داده را از منبع واقعی بخواند یا کدی بدهد که من اجرا کنم. لطفاً مراحل را با Python، Astroquery، کنترل واحدها و اعتبارسنجی توضیح بده. |
چکلیست اجرای پروژهٔ کوچک
• پرسش مشخص است؟ اگر پرسش شما مبهم باشد، هوش مصنوعی هم خروجی مبهم میدهد.
• منبع داده مشخص و قابلارجاع است؟ نام پایگاه، تاریخ دسترسی و نوع داده را بنویسید.
• داده را دیدهاید؟ پیش از مدلسازی، چند نمونهٔ واقعی را مشاهده کنید.
• پاکسازی داده انجام شده؟ دادههای پرت، مقدارهای خالی و واحدهای ناسازگار را بررسی کنید.
• مدل پایه دارید؟ پیش از شبکهٔ عصبی و عامل پیچیده، یک روش ساده بسازید.
• خروجی قابلتکرار است؟ کد، فایل داده، تنظیمات و نمودارها را نگه دارید.
• تفسیر علمی از محاسبه جداست؟ بنویسید مدل چه گفته، داده چه نشان داده و شما چه نتیجهای گرفتهاید.
۱۴) سوءتفاهمهای رایج دربارهٔ هوش مصنوعی
در پایان جلسه، چند بدفهمی مهم دربارهٔ هوش مصنوعی مطرح شد که برای هر دانشجو یا علاقهمند ضروری است. نخست، هوش مصنوعی پایان برنامهنویسی نیست. همانطور که زبانهای سطح بالا فاصلهٔ ما را از صفر و یک کم کردند، مدلهای زبانی نیز لایهٔ تازهای از ترجمه میان نیت انسان و ابزار محاسباتیاند. پشت پرده همچنان برنامهنویسی، الگوریتم، داده و زیرساخت وجود دارد.
دوم، عمومیبودن ابزار به معنای بیارزششدن کار نیست. Python هم در دسترس همه است، اما همه از آن پروژهٔ درست نمیسازند. اینترنت در دسترس همه است، اما همه متن خوب و معتبر تولید نمیکنند. ارزش در این است که بدانیم چه پرسشی بپرسیم، چه دادهای انتخاب کنیم، چگونه ابزار را هدایت کنیم و چطور خروجی را بسنجیم.
سوم، کدی که هوش مصنوعی تولید میکند الزاماً تمیز، امن یا درست نیست. بسیاری از کدهای تولیدشده ممکن است کار نکنند، خطای امنیتی داشته باشند یا از نظر علمی نادرست باشند. بنابراین حتی اگر کدنویسی را به مدل بسپاریم، مسئولیت روش، بررسی و اعتبارسنجی با ماست.
۱۵) ازیادگیری فردی تاپروژهٔ گروهی
یکی از پیشنهادهای مهم جلسه، تشکیل یک پروژهٔ گروهی بود: انتخاب یک پرسش مشخص، تقسیم کار، ساخت یک عامل یا گردش کار ساده، و سپس ارائهٔ مسیر از ابتدا تا انتها. چنین پروژهای میتواند ترس اولیه از ابزارهای هوش مصنوعی را کم کند. وقتی دانشجو ببیند که مسیر از یک پرسش ساده آغاز میشود و به داده، کد، نمودار و گزارش میرسد، ابزار دیگر جادویی و ترسناک نیست؛ به یک وسیلهٔ کار تبدیل میشود.
برای این کار میتوان از فرصتهای عمومی مانند Zooniverse، NASA Space Apps، پروژههای AAVSO یا دیتاستهای Kaggle استفاده کرد. هدف اصلی الزاماً برندهشدن در مسابقه نیست؛ هدف این است که در یک پروژهٔ واقعی یاد بگیریم چگونه پرسش نجومی را به گردش کار دادهمحور تبدیل کنیم.
جمعبندی
این فصل نقشهٔ راهی مقدماتی از جهان برنامهنویسی، داده، هوش مصنوعی و نجوم ارائه کرد. از رایانههای اولیه و برنامهٔ آپولو شروع کردیم، اجزای یک پلتفرم را شناختیم، زبانهای برنامهنویسی را از نظر کاربرد مقایسه کردیم، مفهوم کتابخانه را فهمیدیم، ابزارهای پایهٔ نجوم و یادگیری ماشین را مرور کردیم، و در پایان به عاملهای هوشمند و پروژههای آموزشی رسیدیم.
درس اصلی ساده است: هوش مصنوعی یک میانبُر برای کنارگذاشتن فهم علمی نیست؛ ابزاری است برای سریعتر رسیدن به مرحلهای که بتوانیم داده را ببینیم، پرسش بهتر بپرسیم، محاسبه را منظمتر انجام دهیم و نتیجه را دقیقتر بررسی کنیم. اگر با یک پروژهٔ کوچک شروع کنید، یک منبع دادهٔ معتبر انتخاب کنید، از ابزارها برای نوشتن کد و ساخت نمودار کمک بگیرید، و خروجی را با احتیاط علمی بسنجید، نخستین گام واقعی را در نجوم محاسباتیِ امروز برداشتهاید.
| تمرین: یکی از سه پروژهٔ پیشنهادی فصل را انتخاب کنید. در یک صفحه بنویسید: پرسش شما چیست؟ داده را از کجا میگیرید؟ از چه ابزار یا کتابخانهای استفاده میکنید؟ خروجی مورد انتظار چیست؟ چه چیزی را باید اعتبارسنجی کنید؟ سپس با کمک یک مدل هوش مصنوعی، فقط گام اول را اجرا کنید: داده را پیدا کنید و یک نمونهٔ کوچک از آن را ببینید. |
