Use este identificador para citar ou linkar para este item:
http://repositorio.ufes.br/handle/10/10381| Título: | Aprendizagem de máquina aplicada a métodos de classificação de supernovas |
| Autor(es): | Silva, Rodrigo Duarte |
| Orientador: | Marra, Valerio |
| Coorientador: | Casarini, Luciano |
| Palavras-chave: | Aprendizagem de máquina Supernovas Universo Cosmologia |
| Data do documento: | 6-Set-2018 |
| Editor: | Universidade Federal do Espírito Santo |
| Resumo: | Futuras pesquisas observacionais com investimentos, telescópios e tecnologias nunca antes
vistos, estão sendo propostas na tentativa de se desvendar os mistérios do Universo. Em
nosso trabalho, fornecemos um panorama desse cenário, com especial atenção para a
classificação de supernovas que será feita pelo LSST (Large Synoptic Survey Telescope) a
partir de 2022.
Inicialmente introduzimos a física que envolve o evento de Supernovas e sua observação, com
o objetivo de tratar o problema da classificação fotométrica de supernovas didaticamente.
Fornecemos importantes referências no uso de diferentes aprendizagens de máquina e
redes neurais para esse propósito. Incluímos resultados do uso de alguns dos métodos
computacionais e a teoria por trás deles, destacando suas potencialidades e vunerabilidades.
Os métodos de aprendizagem de máquina podem envolver supervisão ou não. Objetivamos
descrever a aplicação destas poderosas ferramentas, na análise de dados observacionais e
verificamos resultados inesperados. Future observational research with investments, telescopes and technologies never before seen, are being proposed in an attempt to unravel the mysteries of the Universe. In our work, we provide an overview of this scenario, with special attention to the classification of supernovae that will be done by LSST (Large Synoptic Survey Telescope) from 2022. Initially, we introduce the physics that involve the Supernova event and its observation, with the objective of treating the problem of photometric classification of supernovae. We provide important references in the use of different machine learning and neural networks for this purpose. We include results from the use of some of the computational methods and the theory behind them, highlighting their potentialities and vunerabilities. Machine learning methods may involve supervision or not. We aim to describe the applica- tion of these powerful tools in the analysis of observational data and verify unexpected results. |
| URI: | http://repositorio.ufes.br/handle/10/10381 |
| Aparece nas coleções: | PPGFIS - Dissertações de mestrado |
Arquivos associados a este item:
Não existem arquivos associados a este item.
Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.