天文学方面的开放性问题，使业余爱好者（在其他领域拥有博士学位）有机会解决？

天文学有哪些业余问题可以解决的开放问题？假设业余爱好者在其他领域拥有博士学位，拥有一台基本望远镜，一组滤镜，衍射光栅，照相机，并且碰巧对机器学习，信号处理，光谱估计，统计和实验设计以及基本知识有很多了解物理和化学。

是否有更好的标签（例如“研究”）？

如果您对软件开发和模式识别有很好的了解，则可以解决一些问题。许多观测天文学需要很长的时间序列数据，并且需要从这些数据中消除噪声。我刚刚离开这个领域，一些同事正在尝试开发一些软件，以使用图像减法技术隔离星团中心的单个恒星。星团的中心通常更密集，更难获得清晰的每颗恒星测量数据以进行分析。

模式识别在流水线分析中特别有用，在流水线分析中，对大量数据使用通用流水线以：1：找到人们感兴趣的恒星类型； 2。2：从这些恒星上提取一些有趣的信息。机器学习技术也可以用于协助开发更具体兴趣的通用管道。

我们很高兴与您联系，为您提供一些可能可以帮助您解决的特定问题的人。

该Kaggle星系动物园的挑战是乞求领域之外的想法有问题的例子。具有深度学习和特征学习背景的Sander Dieleman勇往直前，利用卷积神经网络创建了图像分类器。他的完整解决方案在这里流利地描述。

这些类型的技术可以应用于天文学中的任何图像分类问题，或者可以使用类似的技术根据勘测或信号数据对其他天体进行分类。

我会避免进行自己的图像捕获，因为有许多公开的数据集具有更深的深度，分辨率和覆盖范围，而不是您希望在合理的时间范围内实现的。