Astronomie

Wie starte ich mit der Astronomie-Datenanalyse?

Wie starte ich mit der Astronomie-Datenanalyse?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

Ich lerne selbst etwas maschinelles Lernen (ich habe Vorkenntnisse in Statistik) und bin daran interessiert, praktische Erfahrungen zu sammeln, indem ich ML-Analysen in R und Python durchführe.

Da ich so verrückt nach Astronomie bin, würde ich gerne meine Hände schmutzig machen, um ML mit offenen Daten zu machen. Mir ist bewusst, dass Organisationen wie die NASA viele offene Datensätze haben. Was mir weniger klar ist, ist die Art der Analyse, die durchgeführt werden muss.

Ich würde gerne wissen, ob es eine Website gibt, auf der ich ein Repository von Weltraumdaten (Bilder, Signale, was auch immer) erhalten kann und die fragt, welche Analyse erforderlich ist; ähnlich wie bei Kaggle, wo man den Datensatz bekommt und die erforderliche Frage hat, die man versuchen kann.


Eine Möglichkeit könnte ein Kurs an einer Universität, youtube oder ein Selbststudium über ein Buch sein.

Was wir in unserer Astrostatistik-Klasse verwendet haben, war "Wall & Jenkins: Praktische Statistik für Astronomen", die theoretische Abschnitte mit Übungen als Nachbereitung präsentiert. Es gibt keine Antwortabschnitte, da Sie für einige von ihnen etwas programmieren müssen.

Aber Sie können dieses oder ähnliche Bücher vielleicht in einer örtlichen Universitätsbibliothek ausleihen, ohne Geld ausgeben zu müssen.


Das Python AstroML-Modul könnte für Sie interessant sein. Es wird von einem Lehrbuch über maschinelles Lernen begleitet, das auf astronomische Datensätze angewendet wird, aber wenn Sie nicht das Geld haben, um für das Buch auszugeben, gibt es einige Übungen und Datensätze im Modul selbst, die Ihnen viel zu tun geben sollten.


Hier ist eine gute Quelle für öffentliche Daten https://pds-imaging.jpl.nasa.gov/ . Meine Befürchtung ist, dass es ohne einige grundlegende Astronomiekurse viele kleine Probleme geben wird (z. B. die Koordinaten in Kugelkoordinaten usw., und Sie könnten einen xyz. FITS-Formatleser erwarten) für jede neue Person. Seien Sie mental bereit für zahlreiche kleine Hindernisse.


Unterstützung

Von Zeit zu Zeit erwähne ich gerne einige der Bücher, die ich in meiner eigenen Forschung für wertvoll befunden habe. Aber zuerst sollte ich mich für den Begriff „Amateur Astronomical Research“ entschuldigen. Fakt ist, wer wertvolle Daten beisteuert und vielleicht sogar einen Artikel veröffentlicht (auch einen mit vielen Autoren), ist kein „Amateur“ mehr im üblichen Sinne, sondern ein „selbstfinanzierter Astronomieforscher“. Sie haben vielleicht keinen Abschluss in Astronomie, aber denken Sie daran, Darwin hatte einen Abschluss in Theologie, nicht in Biologie, Newton hatte einen Master und den Ph.D. wie wir es heute in den Wissenschaften kennen, ist eine deutsche Erfindung des 19. Jahrhunderts. Als Wissenschaftler geht es nicht um Abschlüsse, sondern darum, Daten zu sammeln und diese entweder zu analysieren und bis zur Veröffentlichung zu begleiten, Entdeckungen anzukündigen und zu verifizieren oder diese Daten anderen Wissenschaftlern zur Verfügung zu stellen.

Okay, du willst etwas Wissenschaft machen, also wo soll ich anfangen?

Der wahrscheinlich beste Startplatz ist Robert Buchheims Buch, Der Himmel ist Ihr Labor. Auf 293 Seiten deckt Buchheim so ziemlich jeden Bereich der astronomischen Forschung ab, der in Reichweite des selbst finanzierten Astronomen liegt. Von besonderem Interesse für GRAS-Beobachter im Bereich Datensammlung und -analyse (Kapitel 4 und 5) sind Projekt H, CCD-Photometrie veränderlicher Sterne, Projekt I, Bestimmung von Asteroiden-Lichtkurven, Projekt J, Extrasolarer Planetentransit, Projekt L, Asteroid Astrometrie (auch Kometen!). Mein Favorit ist natürlich Project M, das visuelle Doppelsterne misst.

Viele unserer iTelescope.Net-Beobachter sind mehr an Entdeckungen interessiert. Dies wird in Kapitel 6 behandelt, wo Projekt O die Entdeckung von Asteroiden behandelt, Projekt P die Entdeckung von Kometen und Q und R die Suche nach Nova und Supernova behandeln.

Nebenbei diskutiert Buchheim die Grundlagen der Photometrie (einige der besten Erklärungen, die ich gelesen habe), Messfehler (grundsätzlich wichtig, fehlerfreie Messungen sind genauso nützlich wie solche mit Fehlern), wie man mit Agenturen wie dem Minor Planet Center interagiert, Zeit, Kataloge, Data Mining, Literatur und viele andere wichtige Themen.


Astronom zum Datenwissenschaftler

Ich habe vor kurzem den Wechsel vom Astrophysiker zum Datenwissenschaftler für ein Technologieunternehmen (Yammer / Microsoft) vollzogen. Nachfolgend finden Sie Vorschläge für Personen aus Wissenschaft und Forschung, die sich für einen Tech-Job interessieren.

Die meisten Technologieunternehmen sind an intelligenten, talentierten Menschen interessiert, die schnell lernen und über gute Fähigkeiten zur Problemlösung verfügen. Wissenschaftler haben diese Attribute. Wenn Sie sich also auf Stellen bei Technologieunternehmen bewerben, erhalten Sie wahrscheinlich zumindest eine Antwort von einem Personalvermittler. Sobald Sie jedoch ein Vorstellungsgespräch bekommen, gibt es viele andere Fähigkeiten, die das Unternehmen zu bewerten versucht, Fähigkeiten, die Sie möglicherweise bereits haben oder nicht.

Im Folgenden finden Sie einige Tipps, die Ihnen sowohl im Bewerbungs- / Vorstellungsgespräch als auch im Job bei einem Technologieunternehmen helfen.

Tut mir leid, Astronomen, aber IDL wird es nicht schaffen, wenn Sie einen technischen Job bekommen wollen. Sie müssen eine der branchenüblichen Programmiersprachen erlernen. Python, Ruby, Java, Perl und C++ sind allesamt gute Programmiersprachen. Es wäre auch gut, ein statistisches Analysepaket wie R, SAS, SPSS oder Excel sowie ein Visualisierungspaket zu lernen, um Ihre Ergebnisse anzuzeigen. Einige Jobs beinhalten ein Programmierinterview. Diese erfordern einige Kenntnisse von Informatikalgorithmen. Schauen Sie online nach, es gibt viele Beispiele für Codierungsprobleme, die Sie üben können.

2) Erfahren Sie mehr über Datenbanken

„Big Data“ ist das It-Wort des Web 2.0. Wenn Sie mit Big Data spielen möchten, müssen Sie lernen, wie man sie verwaltet, handhabt und darauf zugreift. SQL ist ein Muss. Es wäre toll, wenn Sie sich auch mit Hadoop/MapReduce und Hive vertraut machen könnten.

Viele der technischen Interviews beinhalten komplizierte Mathematik, Wahrscheinlichkeit, Statistik, Denksportaufgaben und offene Probleme. Entstauben Sie einige Ihrer alten Statistik-Lehrbücher oder holen Sie sich ein Buch über Datenanalyse in einer der oben genannten Sprachen. Suchen Sie online nach früheren Interviewfragen der Unternehmen, bei denen Sie sich bewerben.

4) Kommunikation ist der Schlüssel

Um in einem technischen Job effektiv zu sein, sollten Sie nicht nur in der Lage sein, zu programmieren, Daten zu analysieren und Probleme zu lösen – Sie müssen Ihre Arbeit auch Personen erklären können, die nicht sehr technisch sind. Kommunikation ist für diese Rollen unglaublich wichtig, und ein großer Teil des Vorstellungsgesprächs besteht darin, zu beurteilen, wie gut Sie einem Laien komplizierte Ideen erklären. Es gibt viele Möglichkeiten, diese Fähigkeit innerhalb der akademischen Welt zu üben, also halten Sie viele Vorträge, geben Sie Kurse, geben Sie Tutoren, Freiwillige oder tun Sie alles, was Sie können, um Menschen mit unterschiedlichem Hintergrund und unterschiedlichen Fähigkeiten technische Ideen zu erklären.

5) Wandeln Sie Ihren Lebenslauf in einen Lebenslauf um

Es gibt einen Unterschied, und er ist wichtig. Menschen in Technologieunternehmen erhalten Hunderte von Lebensläufen. Es ist wichtig, die Fähigkeiten, die Sie für jeden Job mitbringen, prägnant hervorzuheben. Es ist großartig, dass Sie Dutzende von Artikeln veröffentlicht, viele Vorträge gehalten und viele Klassen unterrichtet haben. aber wichtiger sind die Kompetenzen Sie haben aus diesen Erfahrungen gewonnen. Lebensläufe sollten nur 1-2 Seiten umfassen. Sehen Sie sich die Fähigkeiten an, die für die Stelle, auf die Sie sich bewerben, erforderlich sind, und versuchen Sie dann, diese Fähigkeiten durch Auflistung der relevanten Erfahrungen nachzuweisen.

6) Akademische vs. geschäftliche Probleme

Im akademischen Bereich ist das Ziel in der Regel eine möglichst genaue Lösung. Zeit und Effizienz sind weniger wichtig, als etwas gründlich und rigoros zu tun. Im Geschäftsleben ist es das Ziel, den Wert Ihres Unternehmens zu steigern. Daher muss jede Aufgabe sowohl die Genauigkeit als auch den Wert optimieren. Für viele Akademiker ist dieser Übergang schwierig. Verbringen Sie einige Zeit damit, TechCrunch und andere Websites zu lesen, um sich mit den verschiedenen Metriken und Problemen vertraut zu machen, die Technologieunternehmen interessieren. Seien Sie bereit, mit kurzen Fristen zu arbeiten und Aufgaben zu priorisieren, um den Wert Ihrer Arbeit zu steigern. Denken Sie daran, wenn Sie offene Interviewfragen beantworten, damit Sie zeigen, dass Sie diesen Unterschied verstehen.

7) Mach ein Praktikum oder ein Projekt

Der beste Weg, um einen Fuß in die Tür eines Technologieunternehmens zu bekommen, ist ein Praktikum. Viele der großen Technologieunternehmen haben bezahlte Sommerpraktika, die Sie in diese Art von Arbeit einführen und Ihnen viele der oben genannten Fähigkeiten beibringen. Das Insight Data Science Fellowship ist ein Praktikum, das speziell darauf ausgerichtet ist, Akademiker beim Übergang in technische Positionen zu unterstützen. Wenn Sie sich die Auszeit von Ihrem aktuellen Job nicht nehmen können, ziehen Sie in Erwägung, ein eigenes Projekt zu machen. Erstellen Sie eine Anwendung für Ihr Telefon oder führen Sie ein Forschungsprojekt mit einer der vielen kostenlosen Datenquellen durch. Dies gibt Ihnen einen Einblick in die Arbeit, die Sie in einem Technologieunternehmen machen könnten, und gibt Ihnen wichtige Gesprächsthemen für Vorstellungsgespräche.

Wenn Sie weitere Fragen zum Übergang von der Wissenschaft in die Technik oder zum Technikinterview-Prozess haben, können Sie sich gerne an mich wenden.


AY 155: Leben im Universum

Voraussetzung: keiner
Allgemeine Studien: Naturwissenschaft
Kreditstunden: 3

Kursprofil: „Life in the Universe“ ist ein Überblick über die neue und sich schnell entwickelnde interdisziplinäre Wissenschaft der Astrobiologie für den nicht-wissenschaftlichen Studiengang. Diese Wissenschaft bringt die Werkzeuge der Astronomie und Biologie sowie der Geologie und Chemie ein, um zu versuchen, Fragen zu beantworten wie: Wie begann das Leben auf der Erde? Hat das Leben woanders in unserer Galaxis begonnen? Wenn es Leben auf anderen Planeten gibt, wie würden wir es erkennen?

Die Teilnehmer dieses Kurses werden in die Wissenschaft der Astrobiologie, den wissenschaftlichen Prozess, das wissenschaftliche Denken und die Grundlagen der astronomischen und physikalischen Prinzipien eingeführt, die während dieses Kurses verwendet werden. Anschließend erkunden die Schüler unseren aktuellen Wissensstand und die Natur des Lebens auf der Erde, die Geologie der Erde, wie sie unseren Planeten bewohnbar macht, den Ursprung des Lebens auf der Erde und den Evolutionsprozess. Dieses Wissen wenden wir dann auf die Frage an, ob auf anderen Körpern unseres Sonnensystems, einschließlich der Planeten Venus und Mars, der großen Monde der Planeten Jupiter, Saturn und Neptun, derzeit Leben existiert oder in der Vergangenheit hätte existieren können. Wir werden dann die Auswirkungen der Geschichte unseres Sonnensystems auf die Bewohnbarkeit verschiedener Planeten und Monde untersuchen. Der letzte Abschnitt des Kurses konzentriert sich auf die Möglichkeiten des Lebens auf Planeten, die andere Sterne in unserer Galaxie (und darüber hinaus) umkreisen zukünftige interstellare Reisen.

Dieser Kurs wird Sie mit der Begeisterung für das neue Gebiet der Astrobiologie vertraut machen mit dem Ziel, ein lebenslanges Interesse an Astronomie, Biologie, Geologie und Chemie (insbesondere in Bezug auf die zentralen Fragen dieses Kurses) und eine Wertschätzung für alle Wissenschaft. Es werden keine Kenntnisse dieser Wissenschaften vorausgesetzt. Da Wissenschaftler gerade erst mit vielen Studien in der Astrobiologie beginnen, werden ständig neue Entdeckungen gemacht. Dieser Kurs beschreibt, wie sich unsere Sicht auf das Leben auf der Erde und anderswo im Universum im Laufe der Zeit verändert hat, und behandelt neue Entdeckungen, sobald sie auftreten.

Format: Von den Studenten wird erwartet, dass sie ungefähr 2 bis 3 Stunden pro Kreditstunde PRO WOCHE Vorbereitungszeit AUßERHALB DER KLASSENVERSAMMLUNGEN aufwenden. Für diesen Kurs beträgt die erforderliche Zeit 6 bis 9 Stunden pro Woche. Sie verbringen diese Zeit mit der zugewiesenen und externen Lektüre, Hausaufgaben, Diskussion des Kursmaterials mit anderen (ob sie in dieser Klasse eingeschrieben sind oder nicht), Lernen und Nachdenken über Ihre Lektüre und Erfahrungen mit im Unterricht besprochenen Themen. Diese sogenannte “Reflexionszeit” ist ein wesentlicher Bestandteil dieses Kurses. Auf der BlackBoard-Seite für diesen Kurs finden Sie einen hilfreichen Aufsatz mit sehr empfehlenswerten Vorschlägen, wie Sie diese Zeit mit dem Titel “How To Succeed in Physics By Really Trying” verbringen können.


AstroImageJ: Ein einfaches und leistungsstarkes Werkzeug für die astronomische Bildanalyse und präzise Photometrie

Sie haben also beobachtet, und Sie haben eine Zeitreihe von Bildern für eine genaue Photometrie erhalten und möchten eine Lichtkurve zeichnen. Was jetzt? Sie müssen die Daten reduzieren. Wo fängst du an? Genau hier, mit AstroImageJ (AIJ).

Abb. 1. Die AIJ-Bildanzeige. Abbildung 2 aus dem Papier.

Dieser Astrobit ist eine Einführung in AIJ: Ich werde AIJ vorstellen und einige Dinge erwähnen, die AIJ tun kann, wobei ich mich auf seine leistungsstarken Fähigkeiten für die präzise Differentialphotometrie konzentriere, und Ihnen einige hilfreiche Links geben, wo Sie nach weiteren Informationen suchen können. Tauchen wir gleich ein.

Was ist AstroImageJ? Was kann ich tun?

AIJ ist eine interaktive, einfach zu bedienende Bildanalysesoftware auf Forschungsniveau. AIJ baut auf ImageJ auf, das im Bereich der Biologie und Bioinformatik ausgiebig verwendet wird. Die „Astro“-Edition von ImageJ hat viele astronomiespezifische Datenreduktions-, Analyse-, Modellierungs- und Plotfunktionen hinzugefügt.

AIJ basiert auf Java und läuft problemlos auf mehreren Plattformen (z. B. Macs, Windows und Linux). AIJ macht alles, was ein Standard-FITS-Viewer und -Reader tun würde, und funktioniert auch mit anderen Standard-Bildformaten (JPG, PNG, TIFF usw.). AIJ ähnelt in vielerlei Hinsicht DS9 und ist vielen Astronomen bekannt (wenn Sie noch nie von DS9 gehört haben, sehen Sie sich hier Nathans einführendes Astrobit an).

Einige der zahlreichen astronomiebezogenen Fähigkeiten von AIJ sind unten aufgeführt:

  • Bildkalibrierung: AIJ kann Master-Flat-, Dark- und Bias-Frames generieren.
  • Bildarithmetik, einschließlich Bildsubtraktion, Addition, Division, Multiplikation usw.
  • Stapelbearbeitung, zum einfachen Ausführen von Operationen an einer Reihe von Bildern.
  • Bildstabilisierungs- und Bildausrichtungsfunktionen.
  • Präzise Koordinatenumrechner, um heliozentrische und baryzentrische Julianische Daten zu berechnen.
  • WCS-Koordinaten: AIJ kann PlateSolve-Bilder mit Astronomy.net
  • Makro- und Plugin-Unterstützung: Schreiben Sie Ihre eigenen Makros!
  • Multiapertur-Photometrie mit interaktiver Lichtkurvenanpassung: Siehe Diskussion unten.

Differentialphotometrie – und Zeichnen von Lichtkurven in Echtzeit

Abb. 2: Eine Software-Blende in AIJ, zentriert auf einen Stern, mit einem Ring zur Schätzung des Himmelshintergrunds zählt.

AIJ bietet eine einfach zu bedienende interaktive Schnittstelle – genannt „The Data Processor“ – für die Durchführung Apertur-Differentialphotometrie , eine häufig verwendete Technik, um die Änderung des Flusses von einem Stern zu messen, und eine Technik, die verwendet wird, um Exoplaneten über die Transitmethode zu charakterisieren. Der Fluss Ihres Objekts von Interesse – d.h. Ihres „Zielsterns“ – wird durch die integrierten Nettozahlen dargestellt, die innerhalb einer benutzerdefinierten Softwareöffnung liegen (siehe Abb. 2). Die Nettozahl wird berechnet, indem alle Pixelwerte innerhalb Ihrer Blende summiert werden, nachdem eine Schätzung des Hintergrundhimmelflusses abgezogen wurde, der von einem um die Blende zentrierten Kreisring geschätzt wird (Abb. 2). Der "differentielle" Teil kommt von der Tatsache, dass Sie Ihren "Ziel"-Fluss mit einem gleichzeitig beobachteten nahen "Referenzstern" (oder einem Ensemble von Referenzsternen) vergleichen, was besonders nützlich ist, um atmosphärische Variationen zu korrigieren (vielleicht eine vorbeigerollte Wolke?) wenn Sie vom Boden aus beobachten.

Abb. 3: (Links) Beispiel für die Lichtkurven-Plotfunktionen von AIJ. (Rechts) AIJ Transit-Befestigungsplatte. Abbildungen 7 bzw. 8 aus dem Papier.

Mit dem Datenprozessormodul von AIJ können Sie Ihre Softwareaperturen definieren und automatisch eine Zeitreihe von Bildern durchlaufen, um Lichtkurven Ihres Zielsterns zu erstellen und zu zeichnen (Beispiel siehe Abb. 3 links). AIJ bietet die Möglichkeit, dies in Echtzeit zu tun und einen neuen Datenpunkt einzuzeichnen, sobald ein neues Bild in Ihrer Sequenz gespeichert wird – äußerst nützlich für die schnelle Analyse und Überprüfung Ihrer Daten am Teleskop! Wenn Sie mit der Transitmethode nach Planeten suchen, bietet AIJ auch ein interaktives Anpassungstool an, um Ihren Transit anzupassen und Trends zu entfernen (Abb. 3, rechts).

Weiterführendes Lesematerial

Dieser Astrobit hat nur an der Oberfläche dessen gekratzt, was die AIJ tun kann. Mit seiner einfach zu bedienenden Benutzeroberfläche ist AIJ besonders gut geeignet, um jedem einen Einstieg in die astronomische Bildreduktion auf Forschungsniveau zu geben – insbesondere, um eine präzise Differentialphotometrie durchzuführen. Persönlich habe ich festgestellt, dass AIJ sehr intuitiv ist und ich in kürzester Zeit mit der differenziellen Multi-Apertur-Photometrie und der Lichtkurvenanpassung begonnen habe. Also, schau es dir auf jeden Fall an und beginne mit der Fotometrie in Echtzeit. Nachfolgend einige Links mit weiterführendem Lesestoff:


Alternative Karrieren: Nutzen Sie Ihren Astronomie-Abschluss für Data Science

Neben der jüngsten Explosion von “Big Data” in das öffentliche Bewusstsein gab es einen ähnlichen Übergang in das Zeitalter der “Big Astronomy“. Astronomen waren schon immer geschickt darin, mithilfe fortschrittlicher Statistiken und Datenanalyse Schlussfolgerungen zu ziehen. Jetzt, mit dem Aufkommen extrem großer Simulationen wie Illustris und Vermessungen wie dem bevorstehenden LSST, sammeln Astronomen zunehmend Erfahrungen im Umgang mit Datensätzen, die viel größer sind, als sie jemals auf einen einzelnen Computer zu passen hoffen könnten.

Mit diesen Fähigkeiten in der Hand suchen (und finden!) viele Wissenschaftler mit Astronomie-Abschlüssen sehr erfolgreiche Jobs in den Bereichen Data Science und Analytik. Im April 2016 veranstaltete die Wolbach Library am Harvard-Smithsonian Center for Astrophysics eine Podiumsdiskussion mit mehreren ehemaligen Astronomen, die seither ihre Abschlüsse genutzt haben, um Jobs in der Datenwissenschaft zu finden. Dieses “Alternative Careers”-Panel war sehr gut besucht, und ich war einer von ein paar Dutzend Studenten, Postdocs und sogar Dozenten, die vorbeikamen. Das Folgende ist eine Zusammenfassung des Panels und der Gedanken, die diese Panelisten für Astronomen hatten, die daran interessiert sind, Jobs außerhalb der akademischen Welt in Betracht zu ziehen.

Die Diskussionsteilnehmer

Nathan Sanders promovierte 2014 in Astronomie und Astrophysik an der Harvard University und ist jetzt Senior Director of Quantitative Analytics bei Legendary Entertainment, dem Hollywood-Studio, das die Dark Knight-Trilogie, Inception und den kommenden Film Warcraft produziert hat. Nathan ist auch Mitbegründer von Astrobites.

Cameron McBride promovierte an der University of Pittsburgh, gefolgt von Postdoc-Stellen bei Vanderbilt und dem Harvard-Smithsonian CfA. Heute ist er Senior Data Scientist bei True Fit, einem Startup, das Datenanalysen für die Modebranche anbietet.

Nadieh Bremer erhielt ihren Master in Astronomie von der Universität Leiden, bevor sie als Datenanalystin für Deloitte Consulting arbeitete. Nachdem sie entdeckt hatte, dass ihre Leidenschaft in der Datenvisualisierung liegt, begann sie bei Adyen als Datenvisualisierungsdesignerin zu arbeiten und hostet ihren eigenen Datenviz-Blog VisualCinnamon.

Drei Datenwissenschaftler mit einem Abschluss in Astronomie traten dem Gremium Alternative Careers bei. (Links) Nathan Sanders von Legendary Entertainment und Astrobites. (Mitte) Cameron McBride von True Fit. (Rechts) Nadieh Bremer von Adyen.

Warum wollen Astronomen Jobs in der Datenwissenschaft?

Ein häufig diskutiertes Thema war einfach, warum Astronomen nach Stellen in der Datenwissenschaft suchen. Viele Astronomen interessieren sich für Jobs außerhalb der akademischen Welt, da der Arbeitsmarkt der Fakultäten umkämpft ist und die Finanzierung durch Forschungsstipendien immer schwieriger wird.

Auf die Frage, warum sie sich jedoch für eine nicht-akademische Karriere entschieden haben, gab keiner der Diskussionsteilnehmer an, dass ihr Hauptgrund Geld oder der schwierige Arbeitsmarkt in der Astronomie sei.

McBride betonte, wie sehr er die stressarme Arbeitsumgebung in einem Startup genoss. Bremer sagte, sie habe die Möglichkeit genossen, die Ergebnisse neuer Forschungen schnell vorzustellen, ohne Papiere schreiben zu müssen. Alle drei erwähnten, dass der Übergang zu Data Science es ihnen ermöglicht hat, neue Herausforderungen mit Tools zu bewältigen, die noch nie zuvor jemand ausprobiert hat. Sanders fügte hinzu, dass dies eine Chance bietet, innerhalb des Unternehmens oder der Branche wirklich großen Einfluss zu nehmen.

Warum wollen Data-Science-Unternehmen Astronomen?

Die Diskussionsteilnehmer beleuchten auch die andere Seite der Gleichung: Warum Astronomen erfolgreich sind, diese Jobs in der Datenwissenschaft zu bekommen. Wie in der Einleitung zu diesem Artikel erwähnt, werden Astronomen heute routinemäßig im Umgang mit „Big Data“ geschult. Aber Astronomen haben zusätzliche Fähigkeiten, die in anderen Bereichen, die ebenfalls mit sehr großen Datensätzen umgehen, schwer zu fördern sind.

Ein großer Vorteil der Ausbildung zum Astronomen ist laut Sanders die Unabhängigkeit der Doktorandenforschung. Während einige Astronomen in sehr großen Kollaborationen arbeiten, ist es auch sehr üblich, dass sie mit ihrem Berater einzeln an einem kleinen Projekt arbeiten. Dies gibt ihnen Erfahrung darin, ein Projekt von Anfang bis Ende zu sehen und ein gutes Experiment zu entwerfen.

McBride fügte hinzu, dass Astronomen in der Regel weniger spezialisiert seien als Wissenschaftler auf anderen Gebieten, was ihnen ermöglichte, eine Vielzahl nützlicher Fähigkeiten zu erlernen. Astronomen haben beispielsweise sehr viel Erfahrung in der Programmierung und entwickeln sogar ihre eigenen Analysepipelines. Wie er es ausdrückte: “Wir stellen unsere eigenen Werkzeuge her, wenn wir ein besseres brauchen”.

Was vermissen Sie in der Astronomie/Wissenschaft?

Auf die Frage, welche Elemente der Wissenschaft sie vermissen, gaben Bremer und McBride an, dass sie es gelegentlich vermissen, “Grundlagenforschung” zu Themen mit größerem Einfluss auf die Wissenschaft zu betreiben. McBride sagte auch, er vermisse die Möglichkeit, mit Studenten zu interagieren und sich für Wissenschaft und Lehre einzusetzen. Sanders sprach über den verkürzten Zeitrahmen eines Projekts, der oft nur wenige Tage oder Wochen hatte, um an einem Teil eines Projekts zu arbeiten, bevor er zu einer anderen “Krise” übergehen musste.

Bremer stellte fest, dass der Beratungsworkflow sie auch auf feste Termine und häufig wechselnde Projekte beschränkte, aber das waren Vorteile für sie, da sie die Möglichkeit hatte, sich ständig an neue Datenbestände und neue Programmiersprachen anzupassen. McBride erwähnte unterdessen, dass die Arbeit für ein Startup ihm mehr Freiheit gab, seine eigenen neuen Ideen zu entwickeln.

Sanders, der früh in der QA-Abteilung von Legendary eingestellt wurde, erhielt die Möglichkeit, einige Aspekte des akademischen Prozesses in die Industrie zu übernehmen. Er führte Journal Clubs und Gruppentreffen ein, die den Gedankenaustausch zwischen den Leuten förderten, die an verschiedenen Projekten arbeiteten.

Wie kann ich einen Job im Bereich Data Science ausüben?

Es scheint klar, dass Astronomen weiterhin einen großen Einfluss auf die wachsende Industrie der Datenwissenschaft haben werden. Für diejenigen Akademiker, die Jobs außerhalb des Feldes in Betracht ziehen, empfiehlt McBride, einige Data Science-Themen etwas tiefer zu verfolgen. Experimentieren Sie mit kleinen Projekten (sogar Nebenprojekten außerhalb der Astronomie), um Ihr Vertrauen in bestimmte Sprachen, Werkzeuge oder statistische Techniken zu stärken. Sie müssen jedoch kein Weltexperte im Bereich maschinelles Lernen sein, um einen Job zu bekommen. Wie Sanders es ausdrückt, “Unternehmen suchen Generalisten”, Menschen, die zeigen, dass sie vorhandene Tools nutzen und neue Anwendungen für sie finden können. Er fügte hinzu, dass “so etwas wie eine originelle Idee nicht existiert” und dass es wichtig ist, sich Ideen aus anderen Disziplinen auszusetzen.

Die Podiumsteilnehmer betonten, wie nützlich Networking bei der Jobsuche in der Branche sein kann. Bremer besuchte Inhouse-Tage und Networking-Messen und begleitete Menschen in verschiedenen Branchen, bevor er sich für die Beratung entschied, während Sanders Kooperationen mit Studenten in Statistik- und Informatik-Fakultäten einging. Bremer erwähnte weiter, dass keine Ihrer Entscheidungen bindend sein wird. “Auch wenn Sie bei einem Unternehmen oder einer Branche eine schlechte Wahl treffen, “Sie können es noch einmal versuchen!”, sagte sie und sprach über ihren Übergang von der Beratung zur Datenvisualisierung mit Adyen.

Auch innerhalb der Astronomie gibt es große Möglichkeiten, als Data Scientist starke Fähigkeiten zu entwickeln. Die LSST-Kollaboration nimmt Bewerbungen für ihr erstes Data Science Fellowship-Programm entgegen, mit dem Ziel, Doktoranden grundlegende Fähigkeiten für den Umgang mit Big Data zu vermitteln, die aus zukünftigen Umfragen hervorgehen werden.

Die wertvollsten Ressourcen sind jedoch unsere Astronomenkollegen, die diese Übergänge selbst vornehmen. Viele haben begonnen, ihre Entscheidungen und Methoden in Blog-Posts und anderen Interviews zu diskutieren. Weitere Online-Ressourcen finden Sie hier und hier. An Ihrer eigenen Einrichtung können Sie mit Ihrem Fachbereich oder Ihrer Bibliothek über die Abhaltung von Panels wie dem hier zusammengefassten sprechen. Ihre Abteilung ist die beste Ressource, um ehemalige Studenten zu finden, die jetzt eine Karriere außerhalb der akademischen Welt anstreben.

Laufende Diskussion

Wenn Sie sich für Jobs im Bereich Data Science interessieren, halten Sie das Gespräch am Laufen! Kommentieren Sie unten mit Ihren Fragen, Gedanken oder persönlichen Erfahrungen zu Jobs innerhalb/außerhalb der Wissenschaft. Wenn Sie gute Ressourcen haben, die für Sie hilfreich waren, können Sie sie auch in den Kommentaren verlinken, und wir fügen sie diesem Beitrag hinzu.


Erhalten von CARTA v2.0

  • Ubuntu Linux: 18.04 LTS (Bionic Beaver), 20.04 LTS (Focal Fossa)
  • Red Hat Enterprise Linux: 7, 8
  • macOS: 10.15 (Catalina), 11 (Big Sur)

Um CARTA an Ihrer Einrichtung als webbasierte Anwendung für mehrere Benutzer bereitzustellen, lesen Sie bitte die CARTA-Controller-Dokumentation.

Um CARTA zu starten, lesen Sie bitte das Benutzerhandbuch How to Run CARTA.

Ubuntu 18.04 und 20.04 Pakete sind von unserem PPA erhältlich.

sudo add-apt-repository ppa:cartavis-team/carta
sudo apt-get update
sudo apt installieren carta

Um CARTA zu starten, lesen Sie bitte das Benutzerhandbuch How to Run CARTA.

Für Benutzer von Red Hat Enterprise Linux 7 müssen Sie zuerst die el7-Repositorys 'cartavis' und EPEL hinzufügen. Bitte beachten Sie, dass Root-Zugriff erforderlich ist, es sei denn, Sie installieren in einem Docker-Container.

sudo curl https://packages.cartavis.org/cartavis-el7.repo --output /etc/yum.repos.d/cartavis.repo
sudo rpm -ivh https://dl.fedoraproject.org/pub/epel/epel-release-latest-7.noarch.rpm
sudo yum -y installiere carta

Um CARTA zu starten, lesen Sie bitte das Benutzerhandbuch How to Run CARTA.

Für CentOS7-Benutzer müssen Sie zuerst die el7-Repositorys 'cartavis' und EPEL hinzufügen. Bitte beachten Sie, dass Root-Zugriff erforderlich ist, es sei denn, Sie installieren in einem Docker-Container.

sudo curl https://packages.cartavis.org/cartavis-el7.repo --output /etc/yum.repos.d/cartavis.repo
sudo yum -y epel-release installieren
sudo yum -y installiere carta

Um CARTA zu starten, lesen Sie bitte das Benutzerhandbuch How to Run CARTA.

Für Benutzer von Red Hat Enterprise Linux 8 müssen Sie zuerst die el8-Repositorys 'cartavis' und EPEL hinzufügen. Bitte beachten Sie, dass Root-Zugriff erforderlich ist, es sei denn, Sie installieren in einem Docker-Container.

sudo curl https://packages.cartavis.org/cartavis-el8.repo --output /etc/yum.repos.d/cartavis.repo
sudo rpm -ivh https://dl.fedoraproject.org/pub/epel/epel-release-latest-8.noarch.rpm
sudo yum -y installiere carta

Um CARTA zu starten, lesen Sie bitte das Benutzerhandbuch How to Run CARTA.

Für CentOS8-Benutzer müssen Sie zuerst die el8-Repositorys 'cartavis' und EPEL hinzufügen. Bitte beachten Sie, dass Root-Zugriff erforderlich ist, es sei denn, Sie installieren in einem Docker-Container.

sudo curl https://packages.cartavis.org/cartavis-el8.repo --output /etc/yum.repos.d/cartavis.repo
sudo dnf -y install 'dnf-command(config-manager)'
sudo dnf -y epel-release installieren
sudo dnf -y config-manager --set-enabled powertools
sudo dnf -y install carta

Um CARTA zu starten, lesen Sie bitte das Benutzerhandbuch How to Run CARTA.

Wir unterstützen offiziell macOS 10.15 Catalina und macOS 11.0 Big Sur über Homebrew.

Wenn Sie es noch nicht haben, können Sie Homebrew mit dem folgenden Befehl installieren (Root-Zugriff ist erforderlich):
/bin/bash -c "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/HEAD/install.sh)"

Jetzt kann CARTA installiert werden mit:
brauen install cartavis/tap/carta

Um CARTA zu starten, lesen Sie bitte das Benutzerhandbuch How to Run CARTA.

Die traditionelle macOS Electron Desktop-Version kann heruntergeladen werden, indem Sie unten auf die Download-Schaltfläche klicken.
Wenn Sie einen M1-basierten Mac verwenden, sehen Sie möglicherweise eine bessere Leistung mit der nativen Apple Silicon-Version von CARTA, die hier verfügbar ist.

Installation:
Klicken Sie unten auf den Download-Button. Öffnen Sie nach dem Herunterladen das DMG-Installationsprogramm und ziehen Sie das CARTA-Symbol in den Anwendungsordner.
Operation:
Drücke den CARTA Symbol im Launchpad.

Alternativ können Sie in Ihrem Terminal einen Alias ​​für den Start von CARTA anlegen.
Hier ist ein Beispiel:
Öffne dein

/.bashrc wenn Sie bash verwenden) in einem Texteditor und fügen Sie die folgende Zeile hinzu:
alias carta='/Applications/CARTA.app/Contents/MacOS/CARTA'
Dann Quelle eingeben

/.bashrc ) im Terminal.
Jetzt können Sie CARTA starten, indem Sie einfach carta im Terminal eingeben.
HERUNTERLADEN

Das Ubuntu Linux AppImage benötigt keinen Root-Zugriff. Sie laden es einfach herunter, extrahieren und führen es aus. Es verwendet Ihren Standard-Webbrowser, um die grafische Oberfläche von CARTA anzuzeigen. Das AppImage wurde auf Ubuntu 18.04 und 20.04 getestet.

Installation:
Klicken Sie entweder unten auf die Schaltfläche Download oder führen Sie Folgendes aus:
wget https://github.com/CARTAvis/carta/releases/download/v2.0/CARTA-v2.0-ubuntu.tgz
Entpacken Sie den Tarball:
tar -xzf carta-v2.0-ubuntu.tar.gz
Operation:
Um CARTA zu starten, lesen Sie bitte das Benutzerhandbuch How to Run CARTA.

Hinweis: Wenn Sie das AppImage in einem Docker-Container ausführen möchten oder Ihr System Probleme mit FUSE hat, setzen Sie bitte die folgende Umgebungsvariable voran:
APPIMAGE_EXTRACT_AND_RUN=1 ./carta-v2.0-ubuntu.AppImage
HERUNTERLADEN

Das Red Hat Linux AppImage erfordert keinen Root-Zugriff. Sie laden es einfach herunter, extrahieren und führen es aus. Es verwendet Ihren Standard-Webbrowser, um die grafische Oberfläche von CARTA anzuzeigen. Das AppImage wurde auf Red Hat Enterprise Linux (RHEL) 7 und 8 sowie CentOS 7 und 8 getestet.

Installation:
Klicken Sie entweder unten auf die Schaltfläche Download oder führen Sie Folgendes aus:
wget https://github.com/CARTAvis/carta/releases/download/v2.0/CARTA-v2.0-redhat.tgz
Entpacken Sie den Tarball:
tar -xzf carta-v2.0-redhat.tar.gz
Operation:
Um CARTA zu starten, lesen Sie bitte das Benutzerhandbuch How to Run CARTA.

Hinweis: Wenn Sie das AppImage in einem Docker-Container ausführen möchten oder Ihr System Probleme mit FUSE hat, setzen Sie bitte die folgende Umgebungsvariable voran:
APPIMAGE_EXTRACT_AND_RUN=1 ./carta-v2.0-redhat.AppImage
HERUNTERLADEN

Weitere Informationen finden Sie in der Bedienungsanleitung.

Bei Problemen während der Installation wenden Sie sich bitte an den CARTA-Helpdesk.

Um frühere Release-Versionen zu erhalten, besuchen Sie bitte https://github.com/CARTAvis/carta/releases.


Labor für moderne Physik: Erste Schritte

Warum haben wir überhaupt ein Labor? Sie könnten denken, dass es nur darum geht, Unterrichtsmaterial zu veranschaulichen. Das ist ein ziemlich guter Grund, aber er hat nichts mit der Rolle zu tun, die Labore in der realen Welt spielen. Wir sind mehr daran interessiert, Ihnen zu zeigen, wie Laborbeobachtungen zu einer Beschreibung der Natur führen, und Sie erleben zu lassen, wie die inhärenten Grenzen der Laborarbeit zu Unsicherheit in dieser Beschreibung führen. Wenn Sie sich beim Durcharbeiten dieser Labore auf diese Ziele konzentrieren, werden Sie sich wahrscheinlich fragen, wie die vermeintlich “exakte” Wissenschaften so stark auf Laborarbeit basieren können! Dann haben wir es geschafft, weil Sie der Wissenschaft im Allgemeinen skeptischer gegenüberstehen und die Leistungen der großen Experimentatoren der Geschichte mehr anerkennen.

Wir versuchen, den Fokus so weit wie möglich auf das Labor selbst zu richten und weniger auf den Aspekt der “Publikation” der professionellen (insbesondere der akademischen) Wissenschaft. Wir betonen die anfängliche Aufzeichnung experimenteller Daten in einem Labornotizbuch und die vorläufige Analyse dieser Daten, um experimentelle Ergebnisse zu ermitteln. We ask you to develop a style of record-keeping that is practiced in real research laboratories, where it may be as important to establish the chronology of events as it is to describe those events accurately. You may sometimes feel as if we are imposing an arbitrary set of picky rules, but if you make this note taking style a habit, it will serve you well, even if you don’t become a professional scientist.

To keep you aware of the limits of laboratory observation, we ask you to calculate the “uncertainty” in your experimental results. We don’t call it “error analysis”, because that implies you did something wrong. You shouldn’t make errors, but you should be uncertain! We intend that uncertainty analysis be a significant but minor part of your work for each lab. In the past, students have done much more than we now require for this part of the lab, so don’t listen to what they tell you. Just follow the instructions that follow! If you aren’t sure how they apply in a given situation, ask us to make it clear before you start calculating. Briefly, we ask you to

1) estimate the “measurement uncertainty” once only for each variable that you measure, justifying your estimate (see “3XAP below”)
2) do a “partial uncertainty analysis” for a single data set
3) use the “standard deviation technique” when instructed to do so. We also require that you do all your analysis in Excel. The physics 108 Excel Tutorial describes this spreadsheet program. There is a link to this tutorial from the physics 108 webpage of from Lyceum.

We intend the lab to be interactive. We tried to write the lab handouts in a way that keeps you thinking about what you’re doing, but we also want you to consult freely with lab instructors, the student assistant, and other students. The questions in the lab handouts are meant to stimulate such conversation. In some cases there is no single answer, or the answer is beyond the scope of class material. We ask that you answer the questions as you come to them in lab, so it will be easier for you to discuss them with us.

To prepare for lab, you will be asked to complete a short pre-lab exercise prior to lab. The pre-lab, worth 10% of your lab grade, should be turned in at the beginning of you lab period. Pre-lab exercises for each lab are found in Lyceum.

The Lab Notebook

The most important thing to know is that it’s your notebook. You are writing notes in your own words, for you to read and understand later. It’s not a report that you’re writing for the instructor. It’s more like a diary. To keep the notebook organized, we ask that you reserve the first page of the notebook for a Table of Contents that you update for each lab with its title and the page number on which it starts.

Each experiment should begin with a title, purpose and your partner’s name. The notebook is supposed to be an accurate record of what happened when you did the lab. That means you write down what you do when you are doing it, not the night before or a few days later. It must be sufficiently detailed to “stand alone” that is, you or the grader should be able to understand what happened without also having to look at the lab handouts. Diagrams are especially helpful in accomplishing this. The notebook is supposed to indicate the order in which things happened. That means it’s strictly chronological. Never leave blank spaces with the idea of coming back later to fill them in unless you are leaving room for printed or other externally produced documents that are to be taped into the notebook.

Thus, during lab you write only in the notebook, never on “scrap paper”. It also means that if you make a mistake, you don’t erase, obliterate, use white-out, or tear out the page – just draw a single line through the mistake or a single cross through the page or section of page that should be ignored. You should still be able to read the supposedly mistaken information – it can happen that the mistake actually tells you something valuable that you’ll want to know later. The notebook is supposed to indicate when things happened, so each page must be dated. Because your notes are strictly chronological, you often need to refer back to something written earlier. That means the pages must be numbered like the pages of a book–if your first experiment ends on page 17, the second begins on page 18, and the last page in the book is page 160 or so. Sometimes you need to refer forward. If you break off an analysis on page 30 and pick it up again five pages later, label the break off point with something like “continued on page 35” (O.K., in this case you are allowed to write something out of strict chronological order!), and on page 35 write “continued from page 30”.

One of the best ways to establish uncertainty for your lab measurements is to perform multiple trials of the same measurement. We are going to use a method called 3XAP, or “three-times-alternating-partners”. For each new measurement type, performing it “3XAP” means that each member of a 3-person lab group should perform the measurement once without sharing the values until everyone has completed the measurement. For a lab group of 2 people, one of the members should perform a second trial, trying to reinitialize the measurement device when possible (for example, if measuring a length with a ruler, the person performing two trials should remove the ruler from the object being measured and realign the ruler on the object a second time). It is important that lab group members do not “agree” on measurements as each measurement is taken: the point of uncertainty measurement is to establish a reasonable degree to which a measurement could differ rather than to try to compromise on a “best” value. Make sure always to record all uncertainty data in your lab notebook.

One note about 3XAP measurements: if you use the same measurement tool more than once to make measurements, you don’t need to do 3XAP measurements each time. As an example, if you had a set of five cubes whose dimensions you had to measure with a ruler, you would not have to measure the dimensions of all five cubes using 3XAP for each one. Performing one measurement with 3XAP will establish the uncertainty in using the ruler, and you can assume that uncertainty for the remaining measurements will be the same as the uncertainty you established by the one 3XAP measurement.

Your conclusion should always restate the purpose of the lab, the final results and whether they agree with each other and/or an accepted value, greatest sources of uncertainty, and suggestions for improvement. Finally, the notebook is supposed to be a permanent record, so use pen only, and never insert loose papers. Use the tape provided in lab to immediately fasten individual computer plots or printouts to separate notebook pages. Also, be sure to tape data analysis spreadsheets/graphs in your notebook before turning it in. The pre-lab sheet, when returned to you, may also be taped directly into your lab notebook at the beginning of the lab write-up if you choose to do so, you are advised to leave space in your notebook to attach the pre-lab sheet at the beginning of the lab write-up when it is returned to you. Also, any additional pre-lab information (notes, equations . . .) you feel may be helpful can be added into the notebook at the beginning of the lab writeup.

Labs are due exactly one week from the ending time of your lab period. For example, if your lab meets on Tuesday, Week 1, your lab is due the following Tuesday morning labs are due at 11:00am and afternoon labs are due at 4:00pm. A lab turned in less than 19 hours late will receive a 2-point penalty. If the lab is more late it will receive a 5-point penalty for each 24 hour period after the due date and time until the lab is turned in. The maximum penalty for a late lab is 20 points. Labs turned in beyond 4 days late will receive a maximum grade of 20/40, however must still be completed in full (in-lab and take home analysis must be completed). Because labs are an important part of an introductory course and there are only 5 lab experiments, you must complete all 5 labs to pass the course!


Related Research Guides

  • Last Updated: Mar 23, 2021 3:45 PM
  • URL: https://libguides.libraries.claremont.edu/astronomy
  • Print Page

We partner with faculty, students, and staff to provide a vital physical and digital center for research, teaching, learning, and other forms of intellectual engagement at The Claremont Colleges. Our Core Values explain why we take such pride in our work. They are the source of our passion, energy, professionalism, and productivity. These commonly shared values guide everything we do: User-centeredness, inclusivity, innovation, collaboration, education, community, discovery, stewardship.


Career Profiles: Astronomer to Data Scientist

1) Location - I wanted to stay in the Bay Area where my family lives.

2) Flexibility - There were more jobs outside of academia, and thus it was easier to find one that was interesting to me and in the location I wanted.

3) Finances - My initial salary offers from industry were 2-3 times more than my initial salary offers from academic positions.

4) Lifestyle - I was tired of working evenings / weekends and feeling like my job was never done as a researcher. I wanted a job that was challenging and fulfilling, but also would allow me more work-life balance.

5) State of the field - Because data science is a newer field than astronomy I have the opportunity to make a bigger impact and do more innovative work.

6) Work environment - I wanted to work in an environment that was more collaborative and team based. I found that research work was very isolating and solitary.

7) Pace - I found the pace of research to be too slow. I wanted to work on projects that had a faster turn and shorter timelines.

  • Run A/B tests/experiments for the product team which are used to inform all product changes/decisions.
  • Advise company leadership in decision making based on historical data trends / usage of the product.
  • Develop internal tools for various people in the company to help them obtain the latest usage statistics, understand feature utilization, characterize behavior of the product, or pretty much answer any question that comes up which requires data analysis.
  • Large-scale data analysis to try and identify patterns, classify users, understand what is working and what isn't working within the product, help determine if our intuitions about our users are accurate etc.
  • Work with the engineering team to improve logging and perform quality assurance checks. Educate product managers and engineers in statistics and data analysis so that they can interpret the results of our experiments/tests on their own.
  • Interview candidates and help with recruiting.
  • Train new teammates and help with on-boarding / creating on-boarding materials.

I learned about my first data science position from a friend who worked at Yammer. He set up the interview. I found other positions through my university's career webpage, or the jobs pages of specific companies I was interested in working for. I applied to Facebook, Google, LinkedIn etc through their job pages. If at all possible, I suggest trying to connect with someone at the company when applying to jobs, instead of just applying through their web pages. I've written some blog posts about how to make the transition that might be helpful to anyone interested in data science [1] [2] [3].

My current job found me using a recruiter/head-hunting firm. They reached out to me on LinkedIn, and set up a meeting between me and the CTO. It's funny, I found it pretty challenging to find my first tech job (read my posts on that) but once I was at Yammer for a few months I started getting contacted by recruiters fairly regularly. It is my experience that the real challenge is to get Der Erste company to believe that you can make the transition from scientist to techie, and once you've done that, it is easy to get subsequent jobs.

Ja. It's pretty hard to go back to academic research once you are out of the field for any length of time. I knew this when I decided to transition out. I feel pretty confident that I could go back to a teaching position in the future, but not research. There do seem to be an increasing number of jobs which combine data and astronomy research. I could imagine myself possibly going to a position like that in the future.

I don't feel like I have disappointed anyone. I was unhappy in academia/research and everyone close to me knew that. I think advisors, friends, and colleagues are excited that I found something that I like and makes me happy.


Schau das Video: Hvordan kommer jeg i gang med Apple Pay? (Februar 2023).