本文主要介绍了天文学中大数据和机器学习的应用，重点讲解了监督机器学习和无监督机器学习两种算法，包括数据预处理、评估方法、支持向量机、随机森林、浅层神经网络、聚类分析、降维、可视化和异常检测等方面，旨在提高天文学家使用这些工具从海量数据中挖掘新知识的能力。

Apr, 2019

本文回顾了数据挖掘和机器学习在天文学中的应用现状，介绍了常见的机器学习算法，以及数据挖掘在天文学中的广泛应用。文章指出，只要选择合适的算法并遵循天文学问题的引导，数据挖掘可以成为一种强大的工具，而不是一个可疑的黑盒子。

Jun, 2009

该研究报告介绍了使用机器学习进行天文学突发事件的实时分析和响应的方法，以及将来可能的发展，以应对数据集增长的挑战。

Jul, 2014

本文提出了一种从生物医学文献中提取预定义二元关系类型的新事实的简单而有效的方法，该方法不需要任何训练数据或手工规则，并且已在知识库完成任务中得到验证。

Jul, 2019

本文研究了多波段数据分类问题，使用了学习向量量化、单层感知器和支持向量机三种机器学习算法，并使用了特征选择技术进行特征重要性评价。结果表明，在特征较少时，学习向量量化和单层感知器具有更好的性能，而在考虑更多特征时，支持向量机具有更好性能。该方法可以用于预选 AGN 候选对象。

Mar, 2004

介绍了一种用于原型事件分类系统的方法学，其中涉及贝叶斯和机器学习分类器，自动合并后续观测的反馈，并实现区分或定向后续请求，该方法可能对未来的大型系统观测任务至关重要。

Feb, 2008

本研究使用机器学习的符号回归分析了天体物理系统中太阳耀斑 - 泽尔多维奇流量 - 星团质量关系的库，发现了一个由太阳耀斑 - 泽尔多维奇流量和电离气体浓度紧密相关的星团质量的新代理，并测试并证明该新代理在不同宇宙学、物理条件下依然可行，可以用于 CMB，X 线等观测数据的多波段星团质量估计。

Jan, 2022

该研究评述了近期关于开发自动化系统以识别和分类超新星，并将其用作宇宙学标准烛光源的努力，强调了机器学习方法在优化大规模调查的科学产出中的基本作用。

Aug, 2019

本研究概括了机器智能在射电图像分类方面的应用，并聚焦于射电星系形态分类。在射电天文学中，合作制作注释数据集和索引识别到的射电源是必要的。

May, 2023

本文探讨机器学习技术如何辅助科学战略规划。作者使用高影响力天文期刊的摘要，运用潜在狄利克雷分配（Latent Dirichlet Allocation）的方法，找到了可以预测研究兴趣的领先指示器，并证明这种方法可以较好地反映出 2010 年全国科学院天文与天体物理学十年规划科学前沿小组确定的优先研究领域。作者还提出两种度量方法：一种是所有科学论文贡献率之和的度量方法，另一种是这些计数的复合年增长率，这些方法展现出与相同十年规划中提交的白皮书相同的相关性。结果表明，十年规划未能充分强调快速增长的研究。

Mar, 2022