Nesta dissertação utilizamos três modelos de aprendizados de máquina (machine learning) para o cálculo do redshift fotométrico de galáxias do catálogo astronômico do Dark Energy Survey (DES). Dois destes modelos são códigos públicos e nós construímos o terceiro modelo a partir de uma interface de programação de deep learning chamada keras. Para o treinamento dos modelos de machine learning, foram utilizadas as informações espectroscópicas das galáxias do catálogo astronômico do VIMOS Public Extragalactic Redshift Survey (VIPERS). Com o intuito de verificar a acurácia dos redshifts fotométricos, foi desenvolvida uma estrutura de dados chamada K-d Tree que separa as galáxias em subconjuntos de acordo com os seus dados fotométricos. Para cada subconjunto foi criado um outro aprendizado de máquina que calcula o quão preciso é o valor do redshift fotométrico calculado pelos três modelos para cada galáxia. Através deste resultado, foi possível excluir galáxias cujo redshift fotométrico está longe do valor do redshift espectroscópico.

In this thesis, we use three machine learning models to evaluate the photometric redshift of galaxies from the Dark Energy Survey (DES). Two of these models are open source and we built the third model using a deep learning programming interface called keras. In order to train the machine learning models, we used the spectroscopic information of galaxies from the astronomical catalog of the VIMOS Public Extragalactic Redshift Survey (VIPERS). In order to verify the accuracy of photometric redshifts, we developed a data structure called K-d Tree that separates galaxies into subsets according to their photometric data. In each subset, another machine learning was created. It evaluates how accurately is the photometric value of the redshift calculated by the three models for each galaxy is. Through this result, it was possible to exclude galaxies whose photometric redshift is far from the spectroscopic redshift value.