nasa大數據
㈠ 天文領域的主要光譜儀器技術
用宇宙學領域以及系裡看到的狀況來報告一下：
1）語言
天文系大部分人沒有受到過正規的計算機訓練，都是半路出家，用的語言主要是：python，IDL，C/C++，Fortran，Matlab等。老一輩的教授們用Fortran和C；IDL是一個類似Python的語言，因為有許多天文專用的package，所以受到青睞（但是彷彿只有天文學的人在用）。不過近期IDL在Python天文學package越來越猛的形勢下，開始失去優勢。Python越來越廣泛，一方面因為容易上手，一方面因為很多天文的package是用Python寫的了，比如很常用的AstroPy。Matlab也有少數人用，它有強大的代數和畫圖功能。C++適合大的collaboration一起寫，所以我在天文系比較少見到（大家比較獨來獨往），但是在粒子物理用的很多。
基本上，我們被建議需要學兩類語言，一個是比較基礎的，比如Fortran或者C，跑大程序、並行計算用。另外一個是高層次(High-level)語言，比如Python，IDL，Matlab，這些語言不用compile，可以快速地用來分析數據、畫圖、做簡單運算用。當然高層次語言也可以用來做並行運算，但是速度很難上去。
2）觀測VS理論
做觀測和做理論的同學用的軟體是很不一樣的。比如做觀測的有：高能天體物理用NASA HEASARC的軟體，可見波段用NOAO寫的IRAF，宇宙微波背景的用HEALPix。這些基本都需要在你決定研究方向後專門去學一下。
做理論的。。幾乎每個研究組都有自己的程序。成千上萬的程序在業界流通。有的時候一個項目裡面要用數個程序（甚至是用不同語言寫的）。所以基本上沒有辦法學好一個就一了百了，而是要把自己培養成萬金油，拿到新的程序馬上就要能跑。
3）宇宙學對計算機知識的極度渴求
宇宙學在近期從一個幾個人一個組就能獨立做的領域，變成一個大數據、大組織的領域。大部分的宇宙學項目，比如針對宇宙微波背景的剛做完的Planck、十年內要啟動的歐洲ESO的Euclid、美國NASA的WFIRST、美國NSF的LSST，大都是千人級的大組織。未來的數據量也將變得非常龐大，比如LSST每晚的觀測數據量是15TB——目前天文學屆尚無法處理這的大數據。所以天文學越來越多需要計算機領域的幫助。一是處理初試數據的軟體，二是分析數據的程序。
看到其他回應中說「數據挖掘、大數據技術等，抱歉我似乎沒聽說過有人用過」，我不贊同。宇宙學中有許多項目都需要用到大數據，比如Planck的官方論文就用了很多MCMC（馬爾科夫鏈蒙特卡洛），我和同事日常工作中需要用到有數萬核的超級計算機、同時跑數千個任務。我學校也有天文系和計算機系的教授們合作，用機器學習來分析天文學數據。在技術上，也有許多人用到大數據、機器學習。甚至有本專門為天文研究員而出的程序書：《Statistics, Data Mining, and Machine Learning in Astronomy》 作者：Zeljko Ivezic, Andrew Connolly, Jacob VanderPlas, and Alex Gray，網路的附帶教材可以在這里看到：astroML: Python Datamining for Astronomy
㈡ 大數據主要學習什麼編程語言
python，目前最為主流的大數據編程語言，目前是在大數據和人工智慧方面的No.1
但其實每一種語言都能做大數據，只是方便不方便的問題。
㈢ 如何對大數據軟體產品進行測試
美國抄NASA如何能提前預知各種天文奇觀？風力發電機和創業者開店如何選址？如何才能准確預測並對氣象災害進行預警？包括在未來的城鎮化建設過程中，如何打造智能城市？等等，這一系列問題的背後，其實都隱藏著大數據的身影——不僅彰顯著大數據的巨大價值，更直觀地體現出大數據在各個行業的廣闊應用。這些行業應用也都更直白地告訴人們，什麼是大數據……
㈣ NASA工程師在Mars 2020火星車上安裝的樣品緩存系統是怎樣運行的
為了在火星上搜尋古代微生物存在的跡象，Mars 2020火星車還配置了一系列新的科學儀器。除此之外，Mars 2020火星車還攜帶有一組未經實踐檢驗的內部裝置，用於收集、存儲和密封岩心樣本，以便將其帶回地球。改進的車輪設計能夠避免困擾好奇號火星車移動的問題。而地形關聯導航的升級能夠引導Mars 2020火星車在下降階段避開巨石、隕石坑以及其他障礙物，確保其順利著陸。
PIXL是X射線岩石化學成分行星儀器的縮寫，它將測量火星岩石和土壤中存在的化學元素。而SHERLOC帶有攜帶了紫外激光和光譜儀，用於探測火星表面的有機物質和礦物質，同時這款設備還附帶了一部環境相機。
㈤ 只學Python可以找什麼樣的工作
現在互聯網巨頭，都已經轉投到人工智慧領域，而人工智慧的首選編程語言就是python，未來前景顯而易見。那麼問題來了，想學Python，Python工程師工資一般多少?值得去學嗎?
說句實在話，還得看你自己：自己足夠用功，經驗夠，兩三萬月薪也不是不可能;如果資歷淺，又不用功，想要高薪，除非運氣夠好！
學習Python可以從事以下工作：
一、人工智慧
Python作為人工智慧的黃金語言，選擇人工智慧作為就業方向是理所當然的，而且就業前景好，薪資普遍較高，拉勾網上，人工智慧工程師的招聘起薪普遍在20K-35K，當然，如果是初級工程師，起薪也已經超過了12500元/月。
二、大數據
我們目前正處於大數據時代，Python這門語言在大數據上比Java更加有效率，大數據雖然難學，但是Python可以更好地和大數據對接，用Python做大數據的薪資也至少是20K以上了，大數據持續火爆，未來做大數據工程師，薪資還將逐漸上漲。
三、網路爬蟲工程師
網路爬蟲作為數據採集的利器，在大數據時代作為數據的源頭，十分有用武之地。利用Python可以更快的提升對數據抓取的精準程度和速度，是數據分析師的福祉，通過網路爬蟲，讓BOSS再也不用擔心你沒有數據。做爬蟲工程師的的薪資為20K起，當然，因為大數據，薪資也將一路上揚。
四、Python web全棧工程師
全棧工程師是指掌握多種技能，並能利用多種技能獨立完成產品的人。也叫全端工程師(同時具備前端和後台能力)，英文Full Stack developer。全棧工程師不管在哪個語言中都是人才中的人才，而Python web全棧工程師工資基本上都高出20K，所以如果你能力足夠，首選就是Python web全棧工程師。
五、Python自動化運維
運維工作者對Python的需求很大，小夥伴們快快行動起來吧，學習Python自動化運維也能有個10k-15k的工資，很不錯哦
六、Python自動化測試
Python這門語言十分高效，只要是和自動化有關系的，它可以發揮出巨大的優勢，目前做自動化測試的大部分的工作者都需要學習Python幫助提高測試效率。用Python測試也可以說是測試人員必備的工具了，Python自動化測試的起薪一般也都是15K左右，所以測試的小夥伴也需要學習Python哦！
㈥ 「大數據」誤區:有的公司不需要大數據
「大數據」誤區:有的公司不需要大數據
「大數據」無處不在。從社交媒體初創公司到紐約的中央公園，每個公司似乎都在部署大數據分析。
著名數據分析公司Gartner的數據似乎也在證明這一點：最近的一份報告顯示，大數據將帶動2012年全球280億美元的IT支出，到2016年這個數字將超過2300億美元。2300億美元幾乎是葡萄牙全年的國內生產總值。
但是，你需要花大價錢來部署大數據技術解決方案。大多數公司都沒有這么多IT預算，也請不起數據科學家或者數據分析團隊。
如果那些提供大數據服務的公司想為各種規模的企業提供服務，那麼有幾個問題必須認識到並加以解決。
大數據太貴了!
您可能聽說過那些使用大數據的輝煌案例：Facebook每天要存儲大約100TB的用戶數據;NASA每天要處理約24TB的數據。這些數字確實令人印象深刻。
那麼處理這些數據所需的成本是多少呢?按照亞馬遜Redshift的定價，NASA需要為45天數據存儲服務支付超過100萬美元。
根據最近的一項調查，大多數企業的CIO稱他們的預算支付不起大數據部署的成本。數據存儲和處理的成本實在太高，我們需要尋求其他的解決方案，讓規模較小的公司不被「大數據」拒之門外。
大數據的關鍵不是「大」
目前全球最大的科技公司都需要和PB級規模的數據打交道。然而，SAP的研究表明，95%的企業通常只需要使用0.5TB到40TB的數據。
Facebook和NASA的例子是個例外，而不是常態。事實是，處理數據並不是大公司的專利。如果你研究一下美國公司的規模，你會發現有超過50000家公司只有20至500名員工，其中大部分都有解決數據問題的需求。所以大數據市場最大的需求並不是來自那些《財富》50強的大企業，而是來自《財富》500000強。為什麼我們只關注那些少數的例外，而忽視了那些大多數有數據處理需求，但既不是《財富》50強也沒有PB級規模數據的公司?
有時候我在想，如果我們改變了大數據的定義會發生什麼?通常人們用3V(velocity，volume，variety)來描述大數據，我們不妨換一個說法：「大數據是一種主觀狀態，它描述的是一個公司的基礎架構無法滿足其數據處理需求時的情形。」
這個定義可能沒有那麼光鮮，但它肯定會更接近今天的現實。
㈦ python學完之後，具體做什麼
Python在是一門應用面很廣的語言，對應的崗位有很多：
1、人工智慧
Python是人工智慧的黃金語言，選擇人工智慧作為就業方向是理所當然的；
2、大數據
Python在大數據上比Java更加有效率，大數據雖然難學，但是Python可以更好地和大數據對接，尤其是大數據分析這個方向；
3、網路爬蟲工程師
網路爬蟲是數據採集的利器，利用Python可以更快的提升對數據抓取的精準程度和速度；
4、Python web全棧工程師
全棧工程師是指掌握多種技能，並能利用多種技能獨立完成產品的人，也叫全端工程師(同時具備前端和後台能力)；
5、Python自動化運維
運維工作者對Python的需求也很大；
6、Python自動化測試
Python十分高效，目前做自動化測試的大部分的工作者都需要學習Python幫助提高測試效率。用Python測試也可以說是測試人員必備的工具了。
7、數據科學
Python有很多數據包是專門用來做數據科學
㈧ 不是所有企業都適用大數據
不是所有企業都適用大數據
泡沫未裂，但大數據應用在國內已顯雛形。
伊利乳業採用終端管理技術，聚合零售終端店面銷售所帶來的零散數據，讓銷售計劃不再靠拍腦袋完成；山東省一批以「大數據」為標簽的旅遊網站，能夠根據旅遊者此前的購買行為，為不同的旅遊者提供針對性的服務；國內高科技公司同方股份有限公司正計劃為大數據研究成立一個專項部門……
然而，不是所有企業都適用大數據。上不上大數據要從企業實際情況和具體需求出發，企業只有具備人才培養、資金投入、技術平台等全面保障才能獲取數據價值。
首先，數據分析師的培養是最重要的。「大數據的炒作已達高峰。大數據泡沫的存在不是因為數據的作用被誇大，而是真正具備分析能力的數據分析師鳳毛麟角，故未讓大數據更好地發揮價值。」同方數據資源事業部副總經理席壯華在接受記者采訪時說。《哈佛商業評論》認為數據分析師是「21世紀最性感的職業」，海量數據刨金的誘惑、超高的技能需求讓數據分析師成為緊缺人才。「同方股份的專項大數據計劃，除了資金投入，更關鍵的是培養人才，扶植大數據產業的發展。」席壯華說。
金融、醫療等領域植入大數據，復合型人才更是不可或缺。中國工程院院士韋鈺曾表示，生物醫學引入大數據，當務之急是解決生物醫學和信息科學兼通的復合型人才缺乏問題。
其次，大數據真的很貴，企業要衡量決定是否投入大數據。據了解，Facebook每天存儲約100TB的用戶數據；NASA每天要處理約24TB的數據。驚人數據背後是高昂的費用按照亞馬遜Redshift定價，NASA需要為45天數據存儲服務支付超過100萬美元。
筆者曾采訪過幾家企業的CIO，他們多數表示企業日常所需要處理的數據並不是很大，而且數據存儲和處理的成本實在太高，按他們的預算無法承受大數據部署的成本。
最後，若應用大數據，企業要選擇成熟的大數據平台，且要和數據倉庫有高性能的連接，易於讓不同人員應用，根據業務需求讓技術人員利用平台去快速提升數據的價值。這是企業需要資金、技術投入的「大頭」，也是企業值得做功課的地方。
大數據擅長的是錦上添花而非雪中送炭，如果企業該做的事情沒做好，就別指望大數據能幫忙。正如席壯華告訴記者的，只有重視技術平台、恰當地投入資金、能吸引優秀數據分析人才的企業，才能在大數據時代有所斬獲。
㈨ 美國航天局為什麼要發射一個巨大「手電筒」到月球上面
人類將重返月球，並打算在那停留更長時間。NASA即將進行的2024年阿爾忒彌斯計劃(Artemis mission)將會在月球上建立可持續的宇航員居住站，並有可能將他們送上火星。
美國宇航員在月球插上國旗。圖源：NASA/AFP