• 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
 
 
Dissertação de Mestrado
DOI
https://doi.org/10.11606/D.43.2020.tde-21122020-120638
Documento
Autor
Nome completo
Natália Villa Nova Rodrigues
E-mail
Unidade da USP
Área do Conhecimento
Data de Defesa
Imprenta
São Paulo, 2020
Orientador
Banca examinadora
Abramo, Luis Raul Weber (Presidente)
Marra, Valerio
Sodre Junior, Laerte
 
Título em português
Classificação de quasares, estrelas e galáxias com técnicas de aprendizagem automática
Palavras-chave em português
Estruturas em Largas Escalas
Levantamentos Fotométricos, Aprendizagem Automática.
Quasares
Resumo em português
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 em inglês
Classifying quasars, stars and galaxies with machine learning
Palavras-chave em inglês
Large-Scale Structure
Machine Learning.
Photometric Surveys
Quasars
Resumo em inglês
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.
 
AVISO - A consulta a este documento fica condicionada na aceitação das seguintes condições de uso:
Este trabalho é somente para uso privado de atividades de pesquisa e ensino. Não é autorizada sua reprodução para quaisquer fins lucrativos. Esta reserva de direitos abrange a todos os dados do documento bem como seu conteúdo. Na utilização ou citação de partes do documento é obrigatório mencionar nome da pessoa autora do trabalho.
Data de Publicação
2021-01-22
 
AVISO: Saiba o que são os trabalhos decorrentes clicando aqui.
Todos os direitos da tese/dissertação são de seus autores.
CeTI-SC/STI
© 2001-2024. Biblioteca Digital de Teses e Dissertações da USP.