5.2.1 ಗ್ಯಾಲಕ್ಸಿ ಝೂ

ಗ್ಯಾಲಕ್ಸಿ ಝೂ ಒಂದು ಮಿಲಿಯನ್ ಗೆಲಕ್ಸಿಗಳ ವಿಂಗಡಿಸಲು ಹಲವು ಅಲ್ಲದ ತಜ್ಞ ಸ್ವಯಂಸೇವಕರ ಪ್ರಯತ್ನಗಳು ಸಂಯೋಜಿಸುತ್ತದೆ.

ಅವುಗಳ ಸ್ವರೂಪ ದಾರಿಯ ಅಥವಾ ಗ್ಯಾಲಕ್ಸಿ ಝೂ 2007 ಸ್ವಲ್ಪ ಸರಳೀಕರಣ, Schawinski ಗೆಲಕ್ಸಿಗಳ ಆಸಕ್ತಿ ಕೆವಿನ್ Schawinski, ಆಕ್ಸ್ಫರ್ಡ್ ವಿಶ್ವವಿದ್ಯಾನಿಲಯದಲ್ಲಿ ಖಗೋಳವಿಜ್ಞಾನ ಒಂದು ಪದವಿ ವಿದ್ಯಾರ್ಥಿ ಎದುರಿಸಿದ ಸಮಸ್ಯೆ ಬೆಳೆಯಿತು, ಮತ್ತು ಗೆಲಕ್ಸಿಗಳ ಮೂಲಕ ವರ್ಗೀಕರಿಸಬಹುದು ಸುರುಳಿಯಾಕಾರದ ಮತ್ತು ತಮ್ಮ ಬಣ್ಣ ನೀಲಿ ಅಥವಾ ಕೆಂಪು. ಸಮಯದಲ್ಲಿ, ಖಗೋಳಶಾಸ್ತ್ರಜ್ಞರು ನಡುವೆ ಸಾಂಪ್ರದಾಯಿಕ ಜ್ಞಾನ ಸ್ಪೈರಲ್ ಗೆಲಕ್ಸಿಗಳ ನಮ್ಮ ಕ್ಷೀರಪಥದಂತಹ, ಬಣ್ಣ (ಸೂಚಿಸುವ ಯುವ) ನೀಲಿ ಎಂಬುದು ಮತ್ತು ಅಂಡಾಕಾರದ ಗೆಲಕ್ಸಿಗಳ (ವಯಸ್ಸಾದ ಸೂಚಿಸುತ್ತದೆ) ಬಣ್ಣ ಕೆಂಪು. Schawinski ಈ ಸಾಂಪ್ರದಾಯಿಕ ಜ್ಞಾನ ಅನುಮಾನಿಸುತ್ತಾರೆ. ಅವರು ಈ ಮಾದರಿಯನ್ನು ಸಾಮಾನ್ಯವಾಗಿ ನಿಜವಾದ ಇರಬಹುದು ಆದರೆ, ಬಹುಶಃ ವಿನಾಯಿತಿಗಳ ಗಣನೀಯವಾದ ಸಂಖ್ಯೆಯಲ್ಲಿ ಎಂದು, ಮತ್ತು ಶಂಕಿತ ಈ ಅಸಾಮಾನ್ಯ ಗೆಲಕ್ಸಿಗಳ-ಸರಿಹೊಂದುವುದಿಲ್ಲ ಬಯಸುವುದನ್ನು ಸಾಕಷ್ಟು ಅಧ್ಯಯನ ನಿರೀಕ್ಷಿಸಲಾಗಿದೆ ಮಾದರಿ ಅವರು ಪ್ರಕ್ರಿಯೆಯನ್ನು ಬಗ್ಗೆ ಏನಾದರೂ ಕಲಿಯಲು ಮೂಲಕ ಗೆಲಕ್ಸಿಗಳ ರಚಿಸಿದರು.

ಹೀಗಾಗಿ, ಯಾವ Schawinski ಸಾಂಪ್ರದಾಯಿಕ ಜ್ಞಾನ ತಪ್ಪಿಸಲು ಸಲುವಾಗಿ ಅಗತ್ಯವಿದೆ ಆಕೃತಿ ವರ್ಗೀಕೃತ ಗೆಲಕ್ಸಿಗಳ ದೊಡ್ಡ ಸೆಟ್ ಆಗಿತ್ತು; ಎಂದು, ಸುರುಳಿಯಾಕಾರದ ಅಥವಾ ಅಂಡಾಕಾರದ ವಿಂಗಡಿಸಲಾಗಿದೆ ಎಂದು ಗೆಲಕ್ಸಿಗಳ ಆಗಿದೆ. ಸಮಸ್ಯೆ, ಆದಾಗ್ಯೂ, ವರ್ಗೀಕರಣಕ್ಕೆ ಅಸ್ತಿತ್ವದಲ್ಲಿರುವ ಕ್ರಮಾವಳಿ ವಿಧಾನಗಳು ಸಾಕಷ್ಟು ವೈಜ್ಞಾನಿಕ ಪ್ರಯೋಗಗಳಿಗೆ ಬಳಸಲು ಇನ್ನೂ ಉತ್ತಮ ಅಲ್ಲ ಎಂಬುದು; ಅಂದರೆ, ವರ್ಗೀಕರಿಸುವ ಗೆಲಕ್ಸಿಗಳ, ಆ ಸಮಯದಲ್ಲಿ, ಕಂಪ್ಯೂಟರ್ ಕಷ್ಟವಾಗಿತ್ತು ಒಂದು ಸಮಸ್ಯೆ. ಆದ್ದರಿಂದ, ಅಗತ್ಯವಿದೆ ಏನು ಮಾನವ ವರ್ಗೀಕೃತ ಗೆಲಕ್ಸಿಗಳ ದೊಡ್ಡ ಸಂಖ್ಯೆ. Schawinski ಪದವಿ ವಿದ್ಯಾರ್ಥಿ ಉತ್ಸಾಹದಿಂದ ಈ ವರ್ಗೀಕರಣ ಸಮಸ್ಯೆ ಕೈಗೊಂಡರು. ಏಳು, 12-ಗಂಟೆಯ ದಿನಗಳು ಮ್ಯಾರಥಾನ್ ಅಧಿವೇಶನದಲ್ಲಿ, ಅವರು 50,000 ಗೆಲಕ್ಸಿಗಳ ವರ್ಗೀಕರಿಸಲು ಸಾಧ್ಯವಾಯಿತು. 50,000 ಗೆಲಕ್ಸಿಗಳ ಬಹಳಷ್ಟು ಧ್ವನಿ, ಇದು ವಾಸ್ತವವಾಗಿ ಸ್ಲೋನ್ ಡಿಜಿಟಲ್ ಸ್ಕೈ ಸರ್ವೆ ಛಾಯಾಚಿತ್ರ ಎಂದು ಒಂದು ದಶಲಕ್ಷ ಗೆಲಕ್ಸಿಗಳ ಕೇವಲ 5% ಆಗಿದೆ. Schawinski ಅವರು ಹೆಚ್ಚು ಆರೋಹಣೀಯವಾಗಿದೆ ಪ್ರವೇಶದ ಅಗತ್ಯವಿದೆ ಎಂದು ಅರಿತುಕೊಂಡ.

ಅದೃಷ್ಟವಶಾತ್, ಇದು ವರ್ಗೀಕರಿಸುವ ಗೆಲಕ್ಸಿಗಳ ಕೆಲಸವನ್ನು ಖಗೋಳಶಾಸ್ತ್ರದಲ್ಲಿ ಮುಂದುವರಿದ ತರಬೇತಿ ಅಗತ್ಯವಿರುವುದಿಲ್ಲ ಎಂದು ತಿರುಗಿದರೆ; ನೀವು ಬಹಳ ಬೇಗನೆ ಅದನ್ನು ಯಾರಾದರೂ ಕಲಿಸಲು ಮಾಡಬಹುದು. ಅರ್ಥಾತ್, ಸಹ ಗೆಲಕ್ಸಿಗಳ ವರ್ಗೀಕರಿಸುವ ಕಂಪ್ಯೂಟರ್ಗಳಿಗೆ ಹಾರ್ಡ್ ಎಂದು ಕೆಲಸ ಮನುಷ್ಯರು ಬಹಳ ಸುಲಭವಾಗಿತ್ತು. ಆದ್ದರಿಂದ, ಆಕ್ಸ್ಫರ್ಡ್, Schawinski ಮತ್ತು ಸಹ ಖಗೋಳಶಾಸ್ತ್ರಜ್ಞ ಕ್ರಿಸ್ Lintott ಪಬ್ ಕುಳಿತಾಗ ಸ್ವಯಂಸೇವಕರು ಗೆಲಕ್ಸಿಗಳ ಚಿತ್ರಗಳನ್ನು ವರ್ಗೀಕರಿಸಲು ಎಲ್ಲಿ ವೆಬ್ಸೈಟ್ ಅಪ್ ಕನಸು. ಕೆಲವು ತಿಂಗಳ ನಂತರ, ಗ್ಯಾಲಕ್ಸಿ ಝೂ ಜನಿಸಿದರು.

ಗ್ಯಾಲಕ್ಸಿ ಝೂ ವೆಬ್ಸೈಟ್ನಲ್ಲಿ, ಸ್ವಯಂಸೇವಕರು ತರಬೇತಿ ಕೆಲವು ನಿಮಿಷಗಳ ಒಳಪಡುತ್ತವೆ ಎಂದು; ಉದಾಹರಣೆಗೆ, ಸುರುಳಿಯಾಕಾರದ ಮತ್ತು ಅಂಡಾಕಾರದ ಗ್ಯಾಲಕ್ಸಿಯ (ಚಿತ್ರ 5.2) ನಡುವೆ ವ್ಯತ್ಯಾಸವನ್ನು ಕಲಿಕೆಯ. ಈ ತರಬೇತಿ ನಂತರ, ಸ್ವಯಂಸೇವಕರು ಹೆಸರಾದ ಒಂದು ಸುಲಭವಾದ ರಸಪ್ರಶ್ನೆ ಸರಿಯಾಗಿ ವರ್ಗೀಕರಿಸುವ 15 11 ಗೆಲಕ್ಸಿಗಳ ರವಾನಿಸಲು ಹೊಂದಿತ್ತು ವರ್ಗೀಕರಣಗಳು ಮತ್ತು ನಂತರ ಸ್ವಯಂಸೇವಕ ಸರಳ ವೆಬ್ ಆಧಾರಿತ ಇಂಟರ್ಫೇಸ್ (ಚಿತ್ರ 5.3) ಮೂಲಕ ಅಪರಿಚಿತ ಗೆಲಕ್ಸಿಗಳ ನಿಜವಾದ ವರ್ಗೀಕರಣ ಪ್ರಾರಂಭವಾಗುತ್ತದೆ. ಜ್ಯೋತಿಷಿ ಸ್ವಯಂಸೇವಕ ಪರಿವರ್ತನೆ ಕಡಿಮೆ 10 ನಿಮಿಷಗಳಲ್ಲಿ ನಡೆಯುತ್ತದೆ ಮತ್ತು ಕೇವಲ ಅಡಚಣೆಗಳಿಂದ, ಸರಳ ರಸಪ್ರಶ್ನೆ ಕಡಿಮೆ ಹಾದುಹೋಗುವ ಅಗತ್ಯವಿದೆ.

ಚಿತ್ರ 5.2: ಸುರುಳಿಯಾಕಾರದ ಮತ್ತು ಅಂಡಾಕಾರದ: ಆಫ್ ಗೆಲಕ್ಸಿಗಳ ಎರಡು ಪ್ರಮುಖ ಪ್ರಕಾರಗಳ ಉದಾಹರಣೆಗಳು. ಗ್ಯಾಲಕ್ಸಿ ಝೂ ಯೋಜನೆಯ 900,000 ಚಿತ್ರಗಳನ್ನು ಹೆಚ್ಚು ವಿಭಾಗಗಳು 100,000 ಕ್ಕಿಂತ ಹೆಚ್ಚು ಸ್ವಯಂಸೇವಕರನ್ನು ಬಳಸಲಾಗುತ್ತದೆ. ಮೂಲ: www.galaxyzoo.org .

ಚಿತ್ರ 5.3: ಮತದಾರರು ಒಂದು ಚಿತ್ರವನ್ನು ವರ್ಗೀಕರಿಸಲು ಹೇಳಿದರು ಅಲ್ಲಿ ಇನ್ಪುಟ್ ತೆರೆ. ಮೂಲ: www.galaxyzoo.org .

ಯೋಜನೆಯ ಒಂದು ಸುದ್ದಿ ಲೇಖನವನ್ನು ಪ್ರಕಟಿಸಿದರು ನಂತರ, ಮತ್ತು ಸುಮಾರು ಆರು ತಿಂಗಳಲ್ಲಿ ಯೋಜನೆಯ ಹೆಚ್ಚು 100,000 ನಾಗರಿಕ ವಿಜ್ಞಾನಿಗಳು, ಅವರು ಕೆಲಸವನ್ನು ಅನುಭವಿಸಿತು ಮತ್ತು ಅವರು ಮುಂಚಿತವಾಗಿ ಖಗೋಳ ಸಹಾಯ ಬಯಸಿದರು ಏಕೆಂದರೆ ಭಾಗವಹಿಸಿದ ಜನರನ್ನು ಒಳಗೊಂಡಿರುತ್ತದೆ ಬೆಳೆಯಿತು ಗ್ಯಾಲಕ್ಸಿ ಝೂ ತನ್ನ ಆರಂಭಿಕ ಸ್ವಯಂಸೇವಕರು ಆಕರ್ಷಿಸಿತು. ಒಟ್ಟಿಗೆ, ಈ 100,000 ಸ್ವಯಂಸೇವಕರು ವರ್ಗೀಕರಣಗಳು ಭಾಗವಹಿಸುವವರು ಒಂದು ತುಲನಾತ್ಮಕವಾಗಿ ಸಣ್ಣ, ಕೋರ್ ಗುಂಪು ಬರುವ ಬಹುತೇಕ, ಹೆಚ್ಚು 40 ಮಿಲಿಯನ್ ವರ್ಗೀಕರಣಗಳು ಒಟ್ಟು ಕೊಡುಗೆ (Lintott et al. 2008) .

ಅನುಭವ ನೇಮಕ ಪದವಿಪೂರ್ವ ಸಂಶೋಧನಾ ಸಹಾಯಕರು ಮಾಡಿದ ಸಂಶೋಧಕರು ತಕ್ಷಣ ಮಾಹಿತಿ ಗುಣಗಳ ಬಗ್ಗೆ ಸಂಶಯ ಇರಬಹುದು. ಈ ಸಿನಿಕತನವನ್ನು ಸಮಂಜಸವಾದ ಹಾಗೆಯೇ, ಗ್ಯಾಲಕ್ಸಿ ಝೂ ಸ್ವಯಂಸೇವಕ ಕೊಡುಗೆಗಳನ್ನು ಸರಿಯಾಗಿ, ಸ್ವಚ್ಛಗೊಳಿಸುತ್ತಾರೆ debiased, ಮತ್ತು ಸಂಗ್ರಹಿಸಿದ, ಅವರು ಉತ್ತಮ ಗುಣಮಟ್ಟದ ಫಲಿತಾಂಶಗಳನ್ನು ನೀಡಬಹುದು ಎಂದು ತೋರಿಸುತ್ತದೆ (Lintott et al. 2008) . ವೃತ್ತಿಪರ ಗುಣಮಟ್ಟದ ಮಾಹಿತಿ ರಚಿಸಲು ಗುಂಪು ಪಡೆಯುವಲ್ಲಿ ಪ್ರಮುಖ ಟ್ರಿಕ್ ಪುನರುಕ್ತಿ ಆಗಿದೆ; ಅಂದರೆ, ಕೆಲಸವನ್ನು ವಿವಿಧ ಜನರು ನಡೆಸಿಕೊಟ್ಟಿದ್ದಾರೆ. ಗ್ಯಾಲಕ್ಸಿ ಝೂ ಗ್ಯಾಲಾಕ್ಸಿ ಸುಮಾರು 40 ವರ್ಗೀಕರಣಗಳು ಇದ್ದವು; ಪದವಿಪೂರ್ವ ಸಂಶೋಧನಾ ಸಹಾಯಕರು ಬಳಸಿ ಪುನರುಕ್ತಿ ಈ ಮಟ್ಟದ ಪಡೆಯಲು ಮತ್ತು ಆದ್ದರಿಂದ ಸಾಧ್ಯವಿಲ್ಲ ಸಂಶೋಧಕರು ಪ್ರತಿಯೊಂದು ವರ್ಗೀಕರಣ ಗುಣಮಟ್ಟ ಹೆಚ್ಚು ಹೆಚ್ಚು ಗಮನ ಅಗತ್ಯವಿದೆ. ಸ್ವಯಂಸೇವಕರು ತರಬೇತಿ ಕೊರತೆ ಹೊಂದಿತ್ತು, ಅವರು ಪುನರುಕ್ತಿ ಅಪ್ ಮಾಡಿದ.

ಸಹ ಗ್ಯಾಲಕ್ಸಿ ಪ್ರತಿ ಅನೇಕ ವರ್ಗೀಕರಣಗಳು, ಆದಾಗ್ಯೂ, ಒಮ್ಮತ ವರ್ಗೀಕರಣ ಟ್ರಿಕಿ ಉತ್ಪಾದಿಸಲು ಸ್ವಯಂಸೇವಕ ವರ್ಗೀಕರಣಗಳು ಸೆಟ್ ತುಲನೆ. ಹೋಲುತ್ತದೆ ಸವಾಲುಗಳನ್ನು ಅತ್ಯಂತ ಮಾನವ ಗಣನೆ ಯೋಜನೆಗಳು ಉದ್ಭವಿಸುವ ಏಕೆಂದರೆ, ಇದು ಸಂಕ್ಷಿಪ್ತವಾಗಿ ಗ್ಯಾಲಕ್ಸಿ ಝೂ ಸಂಶೋಧಕರು ತಮ್ಮ ಒಮ್ಮತದ ವರ್ಗೀಕರಣಗಳು ತಯಾರಿಸಲು ಬಳಸಲಾಗುತ್ತದೆ ಮೂರು ಕ್ರಮಗಳನ್ನು ಪರಿಶೀಲಿಸಲು ಅನುಕೂಲಕರ. ಮೊದಲ, ಸಂಶೋಧಕರು ನಕಲಿ ವರ್ಗೀಕರಣಗಳು ತೆಗೆದು "ಸ್ವಚ್ಛಗೊಳಿಸಬಹುದು" ಡೇಟಾ. ಉದಾಹರಣೆಗೆ, ಪದೇ ಪದೇ ವರ್ಗೀಕೃತ ಅವರು ಕುಶಲತೆಯಿಂದ ಪ್ರಯತ್ನಿಸುತ್ತಿರುವ ವೇಳೆ ಏನಾಗಬಹುದು ಅದೇ ಗ್ಯಾಲಕ್ಸಿ ಏನೋ ಜನರು ತಮ್ಮ ವರ್ಗೀಕರಣಗಳು ತಿರಸ್ಕರಿಸಲಾಗಿದೆ ಫಲಿತಾಂಶಗಳು ಹೊಂದಿತ್ತು. ಇದು ಮತ್ತು ಇತರೆ ಶುದ್ಧೀಕರಣ ಎಲ್ಲಾ ವರ್ಗೀಕರಣಗಳು 4% ತೆಗೆದುಹಾಕಲಾಗಿದೆ.

ಎರಡನೇ, ಸ್ವಚ್ಛಗೊಳಿಸುವ ನಂತರ, ಸಂಶೋಧಕರು ವರ್ಗೀಕರಣಗಳು ವ್ಯವಸ್ಥಿತ ಪೂರ್ವಗ್ರಹಗಳು ತೆಗೆದುಹಾಕಲು ಅಗತ್ಯವಿದೆ. ಮೂಲ ಯೋಜನೆಯ ಉದಾಹರಣೆಗೆ ಆವರಿಸಿದ್ದ ಪಕ್ಷಪಾತ ಪತ್ತೆ ಅಧ್ಯಯನಗಳು ಕೆಲವು ಸ್ವಯಂಸೇವಕರು ಬದಲಿಗೆ ಏಕವರ್ಣದ ಗ್ಯಾಲಕ್ಸಿ ತೋರಿಸುವ, ಒಂದು ಸರಣಿಯ ಮೂಲಕ ಬಣ್ಣ ಸಂಶೋಧಕರು ಆ ದೀರ್ಘವೃತ್ತಾಕಾರದ ಗೆಲಕ್ಸಿಗಳ ದೂರದ ಸ್ಪೈರಲ್ ಗೆಲಕ್ಸಿಗಳ ವರ್ಗೀಕರಿಸಲು ವ್ಯವಸ್ಥಿತ ಪಕ್ಷಪಾತ ಹಲವಾರು ವ್ಯವಸ್ಥಿತ ಪೂರ್ವಗ್ರಹಗಳು ಪತ್ತೆ (Bamford et al. 2009) . ಅನೇಕ ಕೊಡುಗೆಗಳನ್ನು ಸರಾಸರಿ ವ್ಯವಸ್ಥಿತ ಪಕ್ಷಪಾತ ತೆಗೆದುಹಾಕುವುದಿಲ್ಲ ಏಕೆಂದರೆ ಈ ವ್ಯವಸ್ಥಿತ ಪೂರ್ವಗ್ರಹಗಳು ಹೊಂದಿಕೊಳ್ಳುತ್ತಾ ಅತ್ಯಂತ ಮುಖ್ಯವಾಗಿದೆ; ಇದು ಕೇವಲ ಯಾದೃಚ್ಛಿಕ ದೋಷ ತೆಗೆದುಹಾಕುತ್ತದೆ.

ಅಂತಿಮವಾಗಿ, debiasing ನಂತರ, ಸಂಶೋಧಕರು ಒಮ್ಮತ ವರ್ಗೀಕರಣ ಉತ್ಪಾದಿಸಲು ವೈಯಕ್ತಿಕ ವರ್ಗೀಕರಣಗಳು ಸಂಯೋಜಿಸಲು ಒಂದು ವಿಧಾನದ ಅಗತ್ಯವಿದೆ. ಪ್ರತಿ ಗ್ಯಾಲಕ್ಸಿ ವರ್ಗೀಕರಣಗಳು ಒಗ್ಗೂಡಿ ಸರಳ ರೀತಿಯಲ್ಲಿ ಸಾಮಾನ್ಯ ವರ್ಗೀಕರಣ ಆಯ್ಕೆ ಎಂದು. ಆದಾಗ್ಯೂ, ಈ ಮಾರ್ಗವು ಪ್ರತಿ ಸ್ವಯಂಸೇವಕ ಸಮಾನ ತೂಕ ನೀಡುತ್ತದೆ, ಮತ್ತು ಸಂಶೋಧಕರು ಕೆಲವು ಸ್ವಯಂಸೇವಕರು ಇತರರಿಗಿಂತ ವರ್ಗೀಕರಣ ಸಮರ್ಥವಾಗಿದ್ದ ಎಂದು ಶಂಕಿಸಲಾಗಿದೆ. ಆದ್ದರಿಂದ, ಸಂಶೋಧಕರು ಸ್ವಯಂಚಾಲಿತವಾಗಿ ಅತ್ಯುತ್ತಮ ಕ್ಲಾಸಿಫೈಯರ್ಸ್ ಪತ್ತೆ ಮತ್ತು ಅವುಗಳನ್ನು ಹೆಚ್ಚು ತೂಕದ ನೀಡಲು ಪ್ರಯತ್ನಿಸುವ ಒಂದು ಸಂಕೀರ್ಣ ರೋಗ ಸಮತೋಲನದ ವಿಧಾನ ಅಭಿವೃದ್ಧಿ.

ಹೀಗಾಗಿ, ಮೂರು ಹಂತದ ಪ್ರಕ್ರಿಯೆ ಸ್ವಚ್ಛಗೊಳಿಸುವ, debiasing, ಮತ್ತು ಸಮತೋಲನದ ಗ್ಯಾಲಕ್ಸಿ ಝೂ ಸಂಶೋಧನಾ ತಂಡದ ನಂತರ ಒಮ್ಮತದ ಆಕೃತಿ ವರ್ಗೀಕರಣಗಳು ಒಂದು ಸೆಟ್ ಪರಿವರ್ತಿಸಲಾಯಿತು 40 ಮಿಲಿಯನ್ ಸ್ವಯಂಸೇವಕ ವರ್ಗೀಕರಣಗಳು ಮಾಡಿದ್ದರು. ಈ ಗ್ಯಾಲಕ್ಸಿ ಝೂ ವರ್ಗೀಕರಣಗಳು ಗ್ಯಾಲಕ್ಸಿ ಝೂ ಸ್ಫೂರ್ತಿ ನೆರವಾಯಿತು ಎಂದು Schawinski ಮೂಲಕ ವರ್ಗೀಕರಣ ಸೇರಿದಂತೆ ವೃತ್ತಿಪರ ಖಗೋಳಶಾಸ್ತ್ರಜ್ಞರು ಮೂರು ಹಿಂದಿನ ಸಣ್ಣ ಪ್ರಮಾಣದ ಪ್ರಯತ್ನಗಳು, ಹೋಲಿಸಿದರೆ ಮಾಡಿದಾಗ, ಬಲವಾದ ಒಪ್ಪಂದಗಳಿವೆ. ಹೀಗಾಗಿ, ಸ್ವಯಂಸೇವಕರು, ಒಟ್ಟಾರೆಯಾಗಿ, ಉತ್ತಮ ಗುಣಮಟ್ಟದ ವರ್ಗೀಕರಣಗಳು ನೀಡುತ್ತಿದ್ದವು ಮತ್ತು ಸಂಶೋಧಕರು ಹೊಂದುತ್ತಿಲ್ಲ ಎಂದು ಪ್ರಮಾಣದ (Lintott et al. 2008) . ವಾಸ್ತವವಾಗಿ, ಗೆಲಕ್ಸಿಗಳ ಇಂಥದೊಂದು ದೊಡ್ಡ ಸಂಖ್ಯೆಯ ಮಾನವ ವರ್ಗೀಕರಣಗಳು ಹೊಂದಿರುವ ಮೂಲಕ Schawinski, Lintott, ಮತ್ತು ಇತರರು ಗೆಲಕ್ಸಿಗಳ ಕೇವಲ 80% ಬಗ್ಗೆ ಬರೆಯಲಾಗಿದೆ ನಿರೀಕ್ಷಿಸಲಾಗಿದೆ ಮಾದರಿ ನೀಲಿ ಸುರುಳಿಯಾಕಾರದ ಕೆಂಪು ಎಲಿಪ್ಸೀಯಗಳ ಮತ್ತು ಹಲವಾರು ಪತ್ರಿಕೆಗಳಲ್ಲಿ ಅನುಸರಿಸಿ ತೋರಿಸಲು ಸಾಧ್ಯವಾಯಿತು ಈ ಆವಿಷ್ಕಾರ (Fortson et al. 2011) .

ಈ ಹಿನ್ನೆಲೆಯಲ್ಲಿ ನೀಡಲಾಗಿದೆ, ನಾವು ಈಗ ಗ್ಯಾಲಕ್ಸಿ ಝೂ ಅನುಸರಿಸುತ್ತದೆ ಹೇಗೆ ನೋಡಬಹುದು ಸ್ಪ್ಲಿಟ್ ಅರ್ಜಿ-ಒಗ್ಗೂಡಿ ಪಾಕವಿಧಾನ, ಅತ್ಯಂತ ಮಾನವ ಗಣನೆ ಯೋಜನೆಗಳು ಬಳಸಲಾಗುತ್ತದೆ ಅದೇ ಪಾಕವಿಧಾನ. ಮೊದಲ, ಒಂದು ದೊಡ್ಡ ಸಮಸ್ಯೆ ತುಂಡುಗಳಾಗಿ ವಿಭಾಗವಾಗುತ್ತದೆ. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಒಂದು ಮಿಲಿಯನ್ ಗೆಲಕ್ಸಿಗಳ ವರ್ಗೀಕರಿಸುವ ಸಮಸ್ಯೆ ಒಂದು ಗ್ಯಾಲಕ್ಸಿ ವರ್ಗೀಕರಿಸುವ ಒಂದು ಮಿಲಿಯನ್ ಸಮಸ್ಯೆಗಳನ್ನು ವಿಭಾಗಿಸಲಾಗಿದೆ. ಮುಂದೆ, ಕಾರ್ಯಾಚರಣೆ ಸ್ವತಂತ್ರವಾಗಿ ಪ್ರತಿ ಪಡೆ ಅನ್ವಯಿಸಲಾಗುತ್ತದೆ. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಒಂದು ಸ್ವಯಂಸೇವಕ ಸುರುಳಿಯಾಕಾರದ ಅಥವಾ ಅಂಡಾಕಾರದ ಎರಡೂ ಪ್ರತಿ ಗ್ಯಾಲಕ್ಸಿ ವರ್ಗೀಕರಿಸಲು ಎಂದು. ಅಂತಿಮವಾಗಿ, ಫಲಿತಾಂಶಗಳು ಒಮ್ಮತ ಫಲಿತಾಂಶವನ್ನು ಸೇರಿಸಬಹುದು. ಈ ಸಂದರ್ಭದಲ್ಲಿ, ಒಗ್ಗೂಡಿ ಹೆಜ್ಜೆ ಕ್ಲೀನಿಂಗ್, debiasing, ಮತ್ತು ಪ್ರತಿ ಗ್ಯಾಲಕ್ಸಿ ಒಂದು ಒಮ್ಮತದ ವರ್ಗೀಕರಣ ಉತ್ಪಾದಿಸಲು ಸಮತೋಲನದ ಒಳಗೊಂಡಿತ್ತು. ಹೆಚ್ಚು ಯೋಜನೆಗಳಿಗೆ ಈ ಸಾಮಾನ್ಯ ಪಾಕವಿಧಾನ ಬಳಸಲು ಸಹ, ಹಂತಗಳನ್ನು ಪ್ರತಿ ನಿರ್ದಿಷ್ಟ ಸಮಸ್ಯೆಯನ್ನು ಉದ್ದೇಶಿಸಿ ಮಾಡಲಾಗುತ್ತಿದೆ ಕಸ್ಟಮೈಸ್ ಅಗತ್ಯವಿದೆ. ಉದಾಹರಣೆಗೆ, ಕೆಳಗೆ ವಿವರಿಸಲಾಗಿದೆ ಮಾನವ ಗಣನೆ ಯೋಜನೆಯಲ್ಲಿ ಅದೇ ಪಾಕವಿಧಾನ ನಂತರ, ಆದರೆ ಅರ್ಜಿ ಮತ್ತು ಒಗ್ಗೂಡಿ ಕ್ರಮಗಳನ್ನು ಸಾಕಷ್ಟು ಬೇರೆಯಾಗಿರುತ್ತದೆ.

ಗ್ಯಾಲಕ್ಸಿ ಝೂ ತಂಡದ, ಈ ಮೊದಲ ಯೋಜನೆಯನ್ನು ಕೇವಲ ಆರಂಭವಾಗಿತ್ತು. ಬೇಗನೆ ಅವರು ಸಹ ಅವರು ಒಂದು ಮಿಲಿಯನ್ ಗೆಲಕ್ಸಿಗಳ ಹತ್ತಿರ ವರ್ಗೀಕರಿಸಲು ಸಾಧ್ಯವಾಗುತ್ತದೆ ಎಂಬುದನ್ನು ಈ ಪ್ರಮಾಣದ ಬಗ್ಗೆ 10 ಬಿಲಿಯನ್ ಗೆಲಕ್ಸಿಗಳ ಚಿತ್ರಗಳನ್ನು ಉಂಟುಮಾಡಬಲ್ಲವು ಹೊಸದಾದ ಡಿಜಿಟಲ್ ಆಕಾಶ ಸಮೀಕ್ಷೆಗಳು, ಕೆಲಸ ಸಾಕು (Kuminski et al. 2014) . 1 ಮಿಲಿಯನ್ 10 ಗೆ ಹೆಚ್ಚಳ ನಿರ್ವಹಿಸಲು ಬಿಲಿಯನ್ ಒಂದು 10,000-ಗ್ಯಾಲಕ್ಸಿ ಮೃಗಾಲಯದ ಅಂಶ ಸರಿಸುಮಾರು 10,000 ಪಟ್ಟು ಹೆಚ್ಚು ಭಾಗವಹಿಸುವವರು ನೇಮಕ ಅಗತ್ಯವಿದೆ. ಸಹ ಅಂತರ್ಜಾಲದಲ್ಲಿ ಸ್ವಯಂಸೇವಕರ ಸಂಖ್ಯೆ ದೊಡ್ಡದಾಗಿದೆ, ಇದು ಅಪರಿಮಿತ. ಆದ್ದರಿಂದ, ಸಂಶೋಧಕರು ಅರಿವಿಗೆ ಅವರು ಡೇಟಾ, ಹೊಸ, ಹೆಚ್ಚು ಆರೋಹಣೀಯವಾಗಿದೆ, ವಿಧಾನ ಅಗತ್ಯವಿತ್ತು ನಿತ್ಯ ಹೆಚ್ಚೆಚ್ಚು ಮೊತ್ತಗಳ ನಿರ್ವಹಿಸಲು ಹೋಗುವ ವೇಳೆ.

ಆದ್ದರಿಂದ, ಮಂಡ್ಯ ಬ್ಯಾನರ್ಜಿ ದುಡಿಯುವ ಗೆಲಕ್ಸಿಗಳ ವರ್ಗೀಕರಿಸಲು ಕೆವಿನ್ Schawinski, ಕ್ರಿಸ್ Lintott ಮತ್ತು ಗ್ಯಾಲಕ್ಸಿ ಝೂ ತಂಡದ ಆರಂಭಿಕ ಬೋಧನೆ ಕಂಪ್ಯೂಟರ್ಗಳ ಇತರ ಸದಸ್ಯರೊಂದಿಗೆ. ಹೆಚ್ಚು ನಿರ್ದಿಷ್ಟವಾಗಿ, ಗ್ಯಾಲಕ್ಸಿ ಝೂ, ದಾಖಲಿಸಿದವರು ಮಾನವ ವರ್ಗೀಕರಣಗಳು ಬಳಸಿಕೊಂಡು Banerji et al. (2010) ಚಿತ್ರದ ಗುಣಲಕ್ಷಣಗಳನ್ನು ಆಧರಿಸಿ ಒಂದು ಗೆಲಕ್ಸಿಗಳ ಮಾನವ ವರ್ಗೀಕರಣ ಸೂಚಿಸುತ್ತದೆ ಒಂದು ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿ ನಿರ್ಮಿಸಲಾಯಿತು. ಈ ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿ ಹೆಚ್ಚಿನ ನಿಖರ ಮಾನವ ವರ್ಗೀಕರಣಗಳು ಸಂತಾನೋತ್ಪತ್ತಿ ಸಾಧ್ಯವಾದರೆ ನಂತರ ಇದು ಗೆಲಕ್ಸಿಗಳ ಮೂಲತಃ ಅನಂತ ಸಂಖ್ಯೆ ವರ್ಗೀಕರಿಸಲು ಗ್ಯಾಲಕ್ಸಿ ಝೂ ಸಂಶೋಧಕರು ಬಳಸಬಹುದು.

ಬ್ಯಾನರ್ಜಿ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು 'ವಿಧಾನ ಕೋರ್ ಆದರೂ ಆ ಹೋಲಿಕೆ ಮೊದಲ ಗ್ಲಾನ್ಸ್ ಸ್ಪಷ್ಟ ಇರಬಹುದು, ವಾಸ್ತವವಾಗಿ ಸಾಮಾನ್ಯವಾಗಿ ಸಾಮಾಜಿಕ ಸಂಶೋಧನೆಯಲ್ಲಿ ಬಳಸಿದ ತಂತ್ರಜ್ಞಾನಗಳ ಬಹಳ ಹೋಲುತ್ತದೆ. ಮೊದಲ, ಬ್ಯಾನರ್ಜಿ ಮತ್ತು ಸಹೋದ್ಯೋಗಿಗಳು ಇದು ಗುಣಲಕ್ಷಣಗಳನ್ನು ಇಲ್ಲಿದೆ ಸಾರಾಂಶ ಎಂದು ಸಂಕೇತಗಳು ವೈಶಿಷ್ಟ್ಯಗಳ ಒಂದು ಸೆಟ್ ಒಳಗೆ ಪ್ರತಿ ಚಿತ್ರ ಪರಿವರ್ತನೆ. ಪ್ರಮಾಣದ ನೀಲಿ ಚಿತ್ರದಲ್ಲಿ, ಪಿಕ್ಸೆಲ್ಗಳ ಹೊಳಪನ್ನು ಭಿನ್ನಾಭಿಪ್ರಾಯ, ಮತ್ತು ಅಲ್ಲದ ಬಿಳಿ ಪಿಕ್ಸೆಲ್ಗಳ ಪ್ರಮಾಣ: ಉದಾಹರಣೆಗೆ, ಗೆಲಕ್ಸಿಗಳ ಚಿತ್ರಗಳನ್ನು ಮೂರು ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಆಗಿರಬಹುದು. ಸರಿಯಾದ ವೈಶಿಷ್ಟ್ಯಗಳ ಆಯ್ಕೆಯನ್ನು ಸಮಸ್ಯೆಯ ಒಂದು ಪ್ರಮುಖ ಭಾಗವಾಗಿದೆ, ಮತ್ತು ಇದು ಸಾಮಾನ್ಯವಾಗಿ ವಿಷಯದ ಪ್ರದೇಶದಲ್ಲಿ ಪರಿಣತಿಯ ಅಗತ್ಯವಿದೆ. ಈ ಮೊದಲ ಹಂತದ ಸಾಮಾನ್ಯವಾಗಿ ವೈಶಿಷ್ಟ್ಯವನ್ನು ಎಂಜಿನಿಯರಿಂಗ್ ಎಂಬ ಚಿತ್ರ ಪ್ರತಿ ಒಂದು ಸಾಲು ಮತ್ತು ನಂತರ ಮೂರು ಚಿತ್ರ ವಿವರಿಸುವ ಲಂಬಸಾಲುಗಳನ್ನು ಡಾಟಾ ವ್ಯೂಹದ ಕಾರಣವಾಗುತ್ತದೆ. ಡಾಟಾ ವ್ಯೂಹದ ಮತ್ತು ಅಪೇಕ್ಷಿತ ಔಟ್ಪುಟ್ (ಉದಾ, ಚಿತ್ರ ಒಂದು ಅಂಡಾಕಾರದ ಗ್ಯಾಲಕ್ಸಿಯ ಒಂದು ಮಾನವ ವರ್ಗೀಕರಿಸಿ ಎಂದು), ಸಂಶೋಧಕ ಸಂಖ್ಯಾಶಾಸ್ತ್ರದ ಮಾದರಿ-ಉದಾಹರಣೆಗೆ ನಿಯತಾಂಕಗಳನ್ನು ಅಂದಾಜಿಸಿದೆ, ಒಂದು ವ್ಯವಸ್ಥಾಪನ ಹಿಂಜರಿಕೆಯನ್ನು-ಆಧಾರಿತ ಮಾನವ ವರ್ಗೀಕರಣ ಮುನ್ಸೂಚನೆ ರೀತಿಯ ನೀಡಲಾಗಿದೆ ಚಿತ್ರದ ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು. ಅಂತಿಮವಾಗಿ, ಸಂಶೋಧಕ ಹೊಸ ಗೆಲಕ್ಸಿಗಳ ಅಂದಾಜು ವರ್ಗೀಕರಣಗಳು (ಚಿತ್ರ 5.4) ತಯಾರಿಸಲು ಈ ಸಂಖ್ಯಾಶಾಸ್ತ್ರದ ಮಾದರಿ ನಿಯತಾಂಕಗಳನ್ನು ಬಳಸುತ್ತದೆ. ಸಾಮಾಜಿಕ ಅನಲಾಗ್ ಯೋಚಿಸುವುದು, ನೀವು ಒಂದು ಮಿಲಿಯನ್ ವಿದ್ಯಾರ್ಥಿಗಳು ಬಗ್ಗೆ ಜನಸಂಖ್ಯಾ ಮಾಹಿತಿ ಎಂದು ಕಲ್ಪಿಸಿಕೊಳ್ಳಿ, ಮತ್ತು ಅವರು ಕಾಲೇಜು ಅಥವಾ ಪದವಿ ಎಂಬುದನ್ನು ತಿಳಿಯಲು. ನೀವು ಈ ಡೇಟಾವನ್ನು ಒಂದು ವ್ಯವಸ್ಥಾಪನ ಹಿಂಜರಿಕೆಯನ್ನು ಸೂಕ್ತವಾಗುವಂತೆ, ಮತ್ತು ನಂತರ ನೀವು ಎಂಬುದನ್ನು ಹೊಸ ವಿದ್ಯಾರ್ಥಿಗಳು ಕಾಲೇಜ್ನಿಂದ ಪದವಿ ಹೋಗುವ ಊಹಿಸಲು ಪರಿಣಾಮವಾಗಿ ಮಾದರಿ ನಿಯತಾಂಕಗಳನ್ನು ಬಳಸಬಹುದಾಗಿತ್ತು. ಯಂತ್ರ ಕಲಿಕೆ, ಈ ವಿಧಾನ ಬಳಸಿ ಲೇಬಲ್ ಉದಾಹರಣೆಗಳು ನಂತರ ಹೊಸ ಲೇಬಲ್ ಒಂದು ಸಂಖ್ಯಾಶಾಸ್ತ್ರದ ಮಾದರಿ ರಚಿಸಲು ಕಲಿಕೆ ಮೇಲ್ವಿಚಾರಣೆ ಡೇಟಾ ಎಂಬ (Hastie, Tibshirani, and Friedman 2009) .

ಚಿತ್ರ 5.4: ಹೇಗೆ ಸರಳೀಕೃತ ವಿವರಣೆ Banerji et al. (2010) ಗ್ಯಾಲಕ್ಸಿ ವರ್ಗೀಕರಣ ಮಾಡಲು ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿ ತರಬೇತಿ ಗ್ಯಾಲಕ್ಸಿ ಝೂ ವರ್ಗೀಕರಣಗಳು ಬಳಸಲಾಗುತ್ತದೆ. ಗೆಲಕ್ಸಿಗಳ ಚಿತ್ರಗಳನ್ನು ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಮ್ಯಾಟ್ರಿಕ್ಸ್ ಪರಿವರ್ತಿಸಿದರು. ಈ ಸರಳ ಉದಾಹರಣೆಯಲ್ಲಿ ಮೂರು ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು (ಪ್ರಮಾಣದ ನೀಲಿ ಚಿತ್ರದಲ್ಲಿ, ಪಿಕ್ಸೆಲ್ಗಳ ಹೊಳಪನ್ನು ಭಿನ್ನಾಭಿಪ್ರಾಯ, ಮತ್ತು ಅಲ್ಲದ ಬಿಳಿ ಪಿಕ್ಸೆಲ್ಗಳು ಪ್ರಮಾಣವು) ಇವೆ. ನಂತರ, ಚಿತ್ರಗಳ ಒಂದು ಉಪ, ಗ್ಯಾಲಕ್ಸಿ ಝೂ ಲೇಬಲ್ಗಳನ್ನು ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿ ರೈಲು ಬಳಸಲಾಗುತ್ತದೆ. ಅಂತಿಮವಾಗಿ, ಯಂತ್ರ ಕಲಿಕೆ ಉಳಿದ ಗೆಲಕ್ಸಿಯ ವರ್ಗೀಕರಣಗಳು ಅಂದಾಜು ಮಾಡಲು ನೆರವಾಗುತ್ತದೆ. ನಾನು ಯೋಜನೆಯ ಈ ರೀತಿಯ ಕರೆ ಮಾನವರು ಹೊಂದಿರುವ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ಬದಲಿಗೆ ಏಕೆಂದರೆ ಅವರು ಮನುಷ್ಯರು ಆ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ಕಂಪ್ಯೂಟರ್ ತರಬೇತಿ ಬಳಸಬಹುದಾದ ಒಂದು ದತ್ತಾಂಶ ನಿರ್ಮಿಸಲು ಎರಡನೇ ಪೀಳಿಗೆ ಮಾನವ ಕಂಪ್ಯೂಟರ್ ಯೋಜನೆಯ. ಈ ಕಂಪ್ಯೂಟರ್ ನೆರವಿನ ವಿಧಾನವು ಪ್ರಯೋಜನವನ್ನು ನೀವು ಮಾನವ ಪ್ರಯತ್ನದ ಕೇವಲ ಒಂದು ಸೀಮಿತ ಪ್ರಮಾಣದ ಬಳಸಿ ದಶಮಾಂಶ ಮೂಲಭೂತವಾಗಿ ಅನಂತ ಪ್ರಮಾಣದಲ್ಲಿ ನಿರ್ವಹಿಸಲು ಶಕ್ತಗೊಳಿಸುತ್ತದೆ ಎಂಬುದು.

ವೈಶಿಷ್ಟ್ಯಗಳು Banerji et al. (2010) ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿ ಉದಾಹರಣೆಗೆ-ಉದಾಹರಣೆಗೆ, ಅವರು ವೈಶಿಷ್ಟ್ಯಗಳನ್ನು ಹಾಗೆ ಬಳಸಲಾಗುತ್ತದೆ ನನ್ನ ಆಟಿಕೆ ಹೆಚ್ಚು ಸಂಕೀರ್ಣ "ಡಿ Vaucouleurs ಅಕ್ಷೀಯ ಅನುಪಾತ ಹೊಂದಿಕೊಳ್ಳಲು" -ಮತ್ತು ತನ್ನ ಮಾದರಿ ವ್ಯವಸ್ಥಾಪನ ಹಿಂಜರಿಕೆಯನ್ನು ಅಲ್ಲ, ಇದು ಕೃತಕ ನರಮಂಡಲ ಆಗಿತ್ತು. ಅವರ ವೈಶಿಷ್ಟ್ಯಗಳು, ತನ್ನ ಮಾದರಿ ಮತ್ತು ಒಮ್ಮತ ಗ್ಯಾಲಕ್ಸಿ ಝೂ ವರ್ಗೀಕರಣಗಳು ಬಳಸಿ, ಆಕೆ ಪ್ರತಿ ಲಕ್ಷಣದ ಮೇಲಿನ ತೂಕ ರಚಿಸಿ, ಮತ್ತು ನಂತರ ಗೆಲಕ್ಸಿಗಳ ವರ್ಗೀಕರಣ ಬಗ್ಗೆ ಭವಿಷ್ಯ ನುಡಿಯಲು ಈ ತೂಕವು ಬಳಸಲು ಸಾಧ್ಯವಾಯಿತು. ಉದಾಹರಣೆಗೆ, ತಮ್ಮ ವಿಶ್ಲೇಷಣೆ ಕಡಿಮೆ "ಡಿ Vaucouleurs ಅಕ್ಷೀಯ ಅನುಪಾತ ಹೊಂದಿಕೊಳ್ಳಲು" ಚಿತ್ರಗಳನ್ನು ಸ್ಪೈರಲ್ ಗೆಲಕ್ಸಿಗಳ ಎಂದು ಸಾಧ್ಯತೆ ಹೆಚ್ಚು ಎಂದು ಕಂಡುಹಿಡಿದಿದೆ. ಈ ತೂಕವು ನೀಡಲಾಗಿದೆ, ಅವರು ಯೋಗ್ಯವಾದ ನಿಖರತೆಯೊಂದಿಗೆ ಗ್ಯಾಲಕ್ಸಿಯ ಮಾನವ ವರ್ಗೀಕರಣ ಊಹಿಸಲು ಸಾಧ್ಯವಾಯಿತು.

ಕೆಲಸ Banerji et al. (2010) ನಾನು ಎರಡನೇ ತಲೆಮಾರಿನ ಮಾನವ ಗಣನೆ ವ್ಯವಸ್ಥೆಯ ಕರೆ ಎಂದು ಒಳಗೆ ಗ್ಯಾಲಕ್ಸಿ ಝೂ ತಿರುಗಿತು. ಈ ಎರಡನೇ ತಲೆಮಾರಿನ ವ್ಯವಸ್ಥೆಗಾಗಿ ಬಗ್ಗೆ ಯೋಚಿಸುವುದು ಉತ್ತಮ ಮಾನವರ ಹೊಂದಿರುವ ಬದಲಿಗೆ ಸಮಸ್ಯೆ ಬಗೆಹರಿಸುವ ಅವರು ಮನುಷ್ಯರು ಆ ಸಮಸ್ಯೆಯನ್ನು ಪರಿಹರಿಸಲು ಕಂಪ್ಯೂಟರ್ ತರಬೇತಿ ಬಳಸಬಹುದಾದ ಒಂದು ದತ್ತಾಂಶ ನಿರ್ಮಿಸಲು ಹೊಂದಿದೆ. ಕಂಪ್ಯೂಟರ್ ತರಬೇತಿ ಅಗತ್ಯವಿರುವ ಡೇಟಾವನ್ನು ಪ್ರಮಾಣವನ್ನು ರಚಿಸಲು ಒಂದು ಮಾನವ ಸಾಮೂಹಿಕ ಸಹಯೋಗ ಅಗತ್ಯವಾಗಿತ್ತು ಆದ್ದರಿಂದ ದೊಡ್ಡ ಮಾಡಬಹುದು. ಗ್ಯಾಲಕ್ಸಿ ಝೂ, ಬಳಸುವ ನರಗಳ ಜಾಲ ಸಂದರ್ಭದಲ್ಲಿ Banerji et al. (2010) ವಿಶ್ವಾಸಾರ್ಹವಾಗಿ ಮಾನವ ವರ್ಗೀಕರಣ ಅವಲಂಬಿತವಾಗಿವೆ ಮಾದರಿಗೆ ನಿರ್ಮಿಸುವ ಸಲುವಾಗಿ ಮಾನವ-ಲೇಬಲ್ ಉದಾಹರಣೆಗಳು ಒಂದು ದೊಡ್ಡ ಸಂಖ್ಯೆಯ ಅಗತ್ಯವಿದೆ.

ಈ ಕಂಪ್ಯೂಟರ್ ನೆರವಿನ ವಿಧಾನವು ಪ್ರಯೋಜನವನ್ನು ನೀವು ಮಾನವ ಪ್ರಯತ್ನದ ಕೇವಲ ಒಂದು ಸೀಮಿತ ಪ್ರಮಾಣದ ಬಳಸಿ ದಶಮಾಂಶ ಮೂಲಭೂತವಾಗಿ ಅನಂತ ಪ್ರಮಾಣದಲ್ಲಿ ನಿರ್ವಹಿಸಲು ಶಕ್ತಗೊಳಿಸುತ್ತದೆ ಎಂಬುದು. ಉದಾಹರಣೆಗೆ, ಒಂದು ಮಿಲಿಯನ್ ಮಾನವ ವರ್ಗೀಕೃತ ಗೆಲಕ್ಸಿಗಳ ಜೊತೆ ಸಂಶೋಧಕರು ನಂತರ ಒಂದು ಬಿಲಿಯನ್ ಅಥವಾ ಒಂದು ಟ್ರಿಲಿಯನ್ ಗೆಲಕ್ಸಿಗಳ ವರ್ಗೀಕರಿಸಲು ಬಳಸಬಹುದು ಒಂದು ಊಹಿಸುವ ಮಾದರಿ ರಚಿಸಬಹುದು. ಗೆಲಕ್ಸಿಗಳ ಅಗಾಧ ಸಂಖ್ಯೆಗಳು ಇವೆ ವೇಳೆ, ನಂತರ ಮಾನವ ಕಂಪ್ಯೂಟರ್ ಹೈಬ್ರಿಡ್ ಈ ರೀತಿಯ ನಿಜವಾಗಿಯೂ ಮಾತ್ರ ಸಾಧ್ಯ ಪರಿಹಾರವಾಗಿದೆ. ಈ ಅನಂತ ಆರೋಹ್ಯತೆ ಆದಾಗ್ಯೂ, ಉಚಿತ. ಸರಿಯಾಗಿ ಮಾನವ ವರ್ಗೀಕರಣಗಳು ಸಂತಾನೋತ್ಪತ್ತಿ ಎಂದು ಸ್ವತಃ ಒಂದು ಹಾರ್ಡ್ ಸಮಸ್ಯೆಯಾಗಿದೆ ಒಂದು ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿ ನಿರ್ಮಿಸುವ, ಆದರೆ ಅದೃಷ್ಟವಶಾತ್ ಈ ವಿಷಯ ಸಮರ್ಪಿಸಲಾಗಿದೆ ಅತ್ಯುತ್ತಮ ಪುಸ್ತಕಗಳು ಇವೆ (Hastie, Tibshirani, and Friedman 2009; Murphy 2012; James et al. 2013) .

ಗ್ಯಾಲಕ್ಸಿ ಝೂ ಅನೇಕ ಮಾನವ ಗಣನೆ ಯೋಜನೆಗಳ ವಿಕಾಸ ತೋರಿಸುತ್ತದೆ. ಮೊದಲ, ಸಂಶೋಧಕ ಸ್ವತಃ ಅಥವಾ ಸಂಶೋಧನಾ ಸಹಾಯಕರು ಒಂದು ಸಣ್ಣ ತಂಡ (ಉದಾಹರಣೆಗೆ, Schawinski ಆರಂಭಿಕ ವರ್ಗೀಕರಣ ಪ್ರಯತ್ನ) ಯೋಜನೆಯ ಪ್ರಯತ್ನಿಸುತ್ತದೆ. ಈ ವಿಧಾನವು ರೀತಿಯಲ್ಲಿ ಅಳೆಯಲಾಗುವುದಿಲ್ಲ ಇದ್ದಲ್ಲಿ, ಸಂಶೋಧಕ ಅನೇಕ ಜನರು ವರ್ಗೀಕರಣಗಳು ಕೊಡುಗೆ ಅಲ್ಲಿ ಒಂದು ಮಾನವ ಗಣನೆ ಯೋಜನೆಗೆ ಚಲಿಸಬಹುದು. ಆದರೆ ಮಾಹಿತಿ ಒಂದು ನಿರ್ದಿಷ್ಟ ಪ್ರಮಾಣಕ್ಕೆ, ಶುದ್ಧ ಮಾನವ ಪ್ರಯತ್ನ ಸಾಕಷ್ಟು ಆಗುವುದಿಲ್ಲ. ಆ ಸಮಯದಲ್ಲಿ, ಸಂಶೋಧಕರು ಮಾನವ ವರ್ಗೀಕರಣಗಳು ಎಂದು ನಂತರ ದಶಮಾಂಶ ವಾಸ್ತವವಾಗಿ ಅನಿಯಮಿತ ಪ್ರಮಾಣದ ಅನ್ವಯಿಸಬಹುದು ಒಂದು ಯಂತ್ರ ಕಲಿಕೆ ಮಾದರಿ ತರಬೇತಿ ಬಳಸಲಾಗುತ್ತದೆ ಅಲ್ಲಿ ಎರಡನೇ ಪೀಳಿಗೆಯ ವ್ಯವಸ್ಥೆಗಳು ನಿರ್ಮಿಸುವ ಅಗತ್ಯವಿದೆ.