• JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
  • JoomlaWorks Simple Image Rotator
 
  Bookmark and Share
 
 
Disertación de Maestría
DOI
https://doi.org/10.11606/D.43.2020.tde-21122020-120638
Documento
Autor
Nombre completo
Natália Villa Nova Rodrigues
Dirección Electrónica
Instituto/Escuela/Facultad
Área de Conocimiento
Fecha de Defensa
Publicación
São Paulo, 2020
Director
Tribunal
Abramo, Luis Raul Weber (Presidente)
Marra, Valerio
Sodre Junior, Laerte
Título en portugués
Classificação de quasares, estrelas e galáxias com técnicas de aprendizagem automática
Palabras clave en portugués
Estruturas em Largas Escalas
Levantamentos Fotométricos, Aprendizagem Automática.
Quasares
Resumen en portugués
A próxima geração de levantamentos astrofsicos contará com grandes quantidades de dados. Esse cenário motiva o uso de ferramentas de aprendizagem automática para classificar objetos observados como fontes pontuais de emissão. A seleção de quasares, em particular, é de fundamental importância para obter vnculos de parâmetros cosmológicos, investigar a evolução do universo e desvendar o mistério da energia escura. Neste tra- balho utilizamos algoritmos de aprendizagem automática para classificar quasares entre estrelas e galáxias. Em particular, desenvolvemos uma técnica para incluir as incertezas das medidas nesses algoritmos e mostramos, a partir de um modelo simplificado, que essa abordagem melhora a performance dos classificadores. Essas técnicas foram aplicadas aos dados de dois levantamentos fotométricos, S-PLUS e miniJPAS, que são caracteri- zados principalmente por suas configurações de filtros de bandas estreitas. As técnicas desenvolvidas aqui serão posteriormente utilizadas para construir catálogos de quasares e mapas de estruturas em grandes escalas.
Título en inglés
Classifying quasars, stars and galaxies with machine learning
Palabras clave en inglés
Large-Scale Structure
Machine Learning.
Photometric Surveys
Quasars
Resumen en inglés
The next generation of astrophysical surveys will rely on large amounts of data. This scenario motivates the application of machine learning tools to classify objects which are detected as point-like sources. The selection of quasars, in particular, is of fundamental importance to constrain cosmological parameters, to investigate the evolution of the uni- verse, and to unveil the mystery of dark energy. In this work we used machine learning algorithms to classify quasars, stars and galaxies. In particular, we developed a technique to include the uncertainties of the measurements in these algorithms and we proved, using a toy model, that this approach improves the performance of the classifiers. These tech- niques were applied in data from two photometric surveys, S-PLUS and miniJPAS, which are characterized mainly by their narrow-band filters. These techniques will be used to build quasar catalogs and maps of the large scale structures.
 
ADVERTENCIA - La consulta de este documento queda condicionada a la aceptación de las siguientes condiciones de uso:
Este documento es únicamente para usos privados enmarcados en actividades de investigación y docencia. No se autoriza su reproducción con finalidades de lucro. Esta reserva de derechos afecta tanto los datos del documento como a sus contenidos. En la utilización o cita de partes del documento es obligado indicar el nombre de la persona autora.
Fecha de Publicación
2021-01-22
 
ADVERTENCIA: Aprenda que son los trabajos derivados haciendo clic aquí.
Todos los derechos de la tesis/disertación pertenecen a los autores
CeTI-SC/STI
Biblioteca Digital de Tesis y Disertaciones de la USP. Copyright © 2001-2021. Todos los derechos reservados.