㈠ 天文领域的主要光谱仪器技术

用宇宙学领域以及系里看到的状况来报告一下：

1）语言
天文系大部分人没有受到过正规的计算机训练，都是半路出家，用的语言主要是：python，IDL，C/C++，Fortran，Matlab等。老一辈的教授们用Fortran和C；IDL是一个类似Python的语言，因为有许多天文专用的package，所以受到青睐（但是仿佛只有天文学的人在用）。不过近期IDL在Python天文学package越来越猛的形势下，开始失去优势。Python越来越广泛，一方面因为容易上手，一方面因为很多天文的package是用Python写的了，比如很常用的AstroPy。Matlab也有少数人用，它有强大的代数和画图功能。C++适合大的collaboration一起写，所以我在天文系比较少见到（大家比较独来独往），但是在粒子物理用的很多。

基本上，我们被建议需要学两类语言，一个是比较基础的，比如Fortran或者C，跑大程序、并行计算用。另外一个是高层次(High-level)语言，比如Python，IDL，Matlab，这些语言不用compile，可以快速地用来分析数据、画图、做简单运算用。当然高层次语言也可以用来做并行运算，但是速度很难上去。

2）观测VS理论
做观测和做理论的同学用的软件是很不一样的。比如做观测的有：高能天体物理用NASA HEASARC的软件，可见波段用NOAO写的IRAF，宇宙微波背景的用HEALPix。这些基本都需要在你决定研究方向后专门去学一下。

做理论的。。几乎每个研究组都有自己的程序。成千上万的程序在业界流通。有的时候一个项目里面要用数个程序（甚至是用不同语言写的）。所以基本上没有办法学好一个就一了百了，而是要把自己培养成万金油，拿到新的程序马上就要能跑。

3）宇宙学对计算机知识的极度渴求
宇宙学在近期从一个几个人一个组就能独立做的领域，变成一个大数据、大组织的领域。大部分的宇宙学项目，比如针对宇宙微波背景的刚做完的Planck、十年内要启动的欧洲ESO的Euclid、美国NASA的WFIRST、美国NSF的LSST，大都是千人级的大组织。未来的数据量也将变得非常庞大，比如LSST每晚的观测数据量是15TB——目前天文学届尚无法处理这的大数据。所以天文学越来越多需要计算机领域的帮助。一是处理初试数据的软件，二是分析数据的程序。

看到其他回应中说“数据挖掘、大数据技术等，抱歉我似乎没听说过有人用过”，我不赞同。宇宙学中有许多项目都需要用到大数据，比如Planck的官方论文就用了很多MCMC（马尔科夫链蒙特卡洛），我和同事日常工作中需要用到有数万核的超级计算机、同时跑数千个任务。我学校也有天文系和计算机系的教授们合作，用机器学习来分析天文学数据。在技术上，也有许多人用到大数据、机器学习。甚至有本专门为天文研究员而出的程序书：《Statistics, Data Mining, and Machine Learning in Astronomy》 作者：Zeljko Ivezic, Andrew Connolly, Jacob VanderPlas, and Alex Gray，网络的附带教材可以在这里看到：astroML: Python Datamining for Astronomy

㈡ 大数据主要学习什么编程语言

python，目前最为主流的大数据编程语言，目前是在大数据和人工智能方面的No.1
但其实每一种语言都能做大数据，只是方便不方便的问题。

㈢ 如何对大数据软件产品进行测试

美国抄NASA如何能提前预知各种天文奇观？风力发电机和创业者开店如何选址？如何才能准确预测并对气象灾害进行预警？包括在未来的城镇化建设过程中，如何打造智能城市？等等，这一系列问题的背后，其实都隐藏着大数据的身影——不仅彰显着大数据的巨大价值，更直观地体现出大数据在各个行业的广阔应用。这些行业应用也都更直白地告诉人们，什么是大数据……

㈣ NASA工程师在Mars 2020火星车上安装的样品缓存系统是怎样运行的

为了在火星上搜寻古代微生物存在的迹象，Mars 2020火星车还配置了一系列新的科学仪器。除此之外，Mars 2020火星车还携带有一组未经实践检验的内部装置，用于收集、存储和密封岩心样本，以便将其带回地球。改进的车轮设计能够避免困扰好奇号火星车移动的问题。而地形关联导航的升级能够引导Mars 2020火星车在下降阶段避开巨石、陨石坑以及其他障碍物，确保其顺利着陆。

PIXL是X射线岩石化学成分行星仪器的缩写，它将测量火星岩石和土壤中存在的化学元素。而SHERLOC带有携带了紫外激光和光谱仪，用于探测火星表面的有机物质和矿物质，同时这款设备还附带了一部环境相机。

㈤ 只学Python可以找什么样的工作

现在互联网巨头，都已经转投到人工智能领域，而人工智能的首选编程语言就是python，未来前景显而易见。那么问题来了，想学Python，Python工程师工资一般多少?值得去学吗?
说句实在话，还得看你自己：自己足够用功，经验够，两三万月薪也不是不可能;如果资历浅，又不用功，想要高薪，除非运气够好！
学习Python可以从事以下工作：
一、人工智能
Python作为人工智能的黄金语言，选择人工智能作为就业方向是理所当然的，而且就业前景好，薪资普遍较高，拉勾网上，人工智能工程师的招聘起薪普遍在20K-35K，当然，如果是初级工程师，起薪也已经超过了12500元/月。
二、大数据
我们目前正处于大数据时代，Python这门语言在大数据上比Java更加有效率，大数据虽然难学，但是Python可以更好地和大数据对接，用Python做大数据的薪资也至少是20K以上了，大数据持续火爆，未来做大数据工程师，薪资还将逐渐上涨。
三、网络爬虫工程师
网络爬虫作为数据采集的利器，在大数据时代作为数据的源头，十分有用武之地。利用Python可以更快的提升对数据抓取的精准程度和速度，是数据分析师的福祉，通过网络爬虫，让BOSS再也不用担心你没有数据。做爬虫工程师的的薪资为20K起，当然，因为大数据，薪资也将一路上扬。
四、Python web全栈工程师
全栈工程师是指掌握多种技能，并能利用多种技能独立完成产品的人。也叫全端工程师(同时具备前端和后台能力)，英文Full Stack developer。全栈工程师不管在哪个语言中都是人才中的人才，而Python web全栈工程师工资基本上都高出20K，所以如果你能力足够，首选就是Python web全栈工程师。
五、Python自动化运维
运维工作者对Python的需求很大，小伙伴们快快行动起来吧，学习Python自动化运维也能有个10k-15k的工资，很不错哦
六、Python自动化测试
Python这门语言十分高效，只要是和自动化有关系的，它可以发挥出巨大的优势，目前做自动化测试的大部分的工作者都需要学习Python帮助提高测试效率。用Python测试也可以说是测试人员必备的工具了，Python自动化测试的起薪一般也都是15K左右，所以测试的小伙伴也需要学习Python哦！

㈥ “大数据”误区:有的公司不需要大数据

“大数据”误区:有的公司不需要大数据

“大数据”无处不在。从社交媒体初创公司到纽约的中央公园，每个公司似乎都在部署大数据分析。
著名数据分析公司Gartner的数据似乎也在证明这一点：最近的一份报告显示，大数据将带动2012年全球280亿美元的IT支出，到2016年这个数字将超过2300亿美元。2300亿美元几乎是葡萄牙全年的国内生产总值。
但是，你需要花大价钱来部署大数据技术解决方案。大多数公司都没有这么多IT预算，也请不起数据科学家或者数据分析团队。
如果那些提供大数据服务的公司想为各种规模的企业提供服务，那么有几个问题必须认识到并加以解决。
大数据太贵了!
您可能听说过那些使用大数据的辉煌案例：Facebook每天要存储大约100TB的用户数据;NASA每天要处理约24TB的数据。这些数字确实令人印象深刻。
那么处理这些数据所需的成本是多少呢?按照亚马逊Redshift的定价，NASA需要为45天数据存储服务支付超过100万美元。
根据最近的一项调查，大多数企业的CIO称他们的预算支付不起大数据部署的成本。数据存储和处理的成本实在太高，我们需要寻求其他的解决方案，让规模较小的公司不被“大数据”拒之门外。
大数据的关键不是“大”
目前全球最大的科技公司都需要和PB级规模的数据打交道。然而，SAP的研究表明，95%的企业通常只需要使用0.5TB到40TB的数据。
Facebook和NASA的例子是个例外，而不是常态。事实是，处理数据并不是大公司的专利。如果你研究一下美国公司的规模，你会发现有超过50000家公司只有20至500名员工，其中大部分都有解决数据问题的需求。所以大数据市场最大的需求并不是来自那些《财富》50强的大企业，而是来自《财富》500000强。为什么我们只关注那些少数的例外，而忽视了那些大多数有数据处理需求，但既不是《财富》50强也没有PB级规模数据的公司?
有时候我在想，如果我们改变了大数据的定义会发生什么?通常人们用3V(velocity，volume，variety)来描述大数据，我们不妨换一个说法：“大数据是一种主观状态，它描述的是一个公司的基础架构无法满足其数据处理需求时的情形。”
这个定义可能没有那么光鲜，但它肯定会更接近今天的现实。

㈦ python学完之后，具体做什么

Python在是一门应用面很广的语言，对应的岗位有很多：

1、人工智能

Python是人工智能的黄金语言，选择人工智能作为就业方向是理所当然的；

2、大数据

Python在大数据上比Java更加有效率，大数据虽然难学，但是Python可以更好地和大数据对接，尤其是大数据分析这个方向；

3、网络爬虫工程师

网络爬虫是数据采集的利器，利用Python可以更快的提升对数据抓取的精准程度和速度；

4、Python web全栈工程师

全栈工程师是指掌握多种技能，并能利用多种技能独立完成产品的人，也叫全端工程师(同时具备前端和后台能力)；

5、Python自动化运维

运维工作者对Python的需求也很大；

6、Python自动化测试

Python十分高效，目前做自动化测试的大部分的工作者都需要学习Python帮助提高测试效率。用Python测试也可以说是测试人员必备的工具了。

7、数据科学

Python有很多数据包是专门用来做数据科学

㈧ 不是所有企业都适用大数据

不是所有企业都适用大数据
泡沫未裂，但大数据应用在国内已显雏形。
伊利乳业采用终端管理技术，聚合零售终端店面销售所带来的零散数据，让销售计划不再靠拍脑袋完成；山东省一批以“大数据”为标签的旅游网站，能够根据旅游者此前的购买行为，为不同的旅游者提供针对性的服务；国内高科技公司同方股份有限公司正计划为大数据研究成立一个专项部门……
然而，不是所有企业都适用大数据。上不上大数据要从企业实际情况和具体需求出发，企业只有具备人才培养、资金投入、技术平台等全面保障才能获取数据价值。
首先，数据分析师的培养是最重要的。“大数据的炒作已达高峰。大数据泡沫的存在不是因为数据的作用被夸大，而是真正具备分析能力的数据分析师凤毛麟角，故未让大数据更好地发挥价值。”同方数据资源事业部副总经理席壮华在接受记者采访时说。《哈佛商业评论》认为数据分析师是“21世纪最性感的职业”，海量数据刨金的诱惑、超高的技能需求让数据分析师成为紧缺人才。“同方股份的专项大数据计划，除了资金投入，更关键的是培养人才，扶植大数据产业的发展。”席壮华说。
金融、医疗等领域植入大数据，复合型人才更是不可或缺。中国工程院院士韦钰曾表示，生物医学引入大数据，当务之急是解决生物医学和信息科学兼通的复合型人才缺乏问题。
其次，大数据真的很贵，企业要衡量决定是否投入大数据。据了解，Facebook每天存储约100TB的用户数据；NASA每天要处理约24TB的数据。惊人数据背后是高昂的费用按照亚马逊Redshift定价，NASA需要为45天数据存储服务支付超过100万美元。
笔者曾采访过几家企业的CIO，他们多数表示企业日常所需要处理的数据并不是很大，而且数据存储和处理的成本实在太高，按他们的预算无法承受大数据部署的成本。
最后，若应用大数据，企业要选择成熟的大数据平台，且要和数据仓库有高性能的连接，易于让不同人员应用，根据业务需求让技术人员利用平台去快速提升数据的价值。这是企业需要资金、技术投入的“大头”，也是企业值得做功课的地方。
大数据擅长的是锦上添花而非雪中送炭，如果企业该做的事情没做好，就别指望大数据能帮忙。正如席壮华告诉记者的，只有重视技术平台、恰当地投入资金、能吸引优秀数据分析人才的企业，才能在大数据时代有所斩获。

㈨ 美国航天局为什么要发射一个巨大“手电筒”到月球上面

人类将重返月球，并打算在那停留更长时间。NASA即将进行的2024年阿尔忒弥斯计划(Artemis mission)将会在月球上建立可持续的宇航员居住站，并有可能将他们送上火星。


美国宇航员在月球插上国旗。图源：NASA/AFP