Aprendizaje automatizado para clasificación y estimación de corrimiento al rojo de espectros astrofísicos

"Los avances en cosmología dependen en gran medida de la interpretación de levantamientos espectrométricos Surveys. Los continuos avances tecnológicos permiten que decenas de miles de espectros sean registrados en una noche de observación, cerca de cien veces más de lo que era posible en épocas anteriores. Por esto es necesario abordar el problema de clasificación espectral y estimación del corrimiento al rojo Redshift de una manera mas eficiente que la tradicional. En la última década, el uso de técnicas de aprendizaje automatizado ha demostrado ser eficiente para resolver problemas de clasificación y regresión en diversos campos de la ciencia computacional.Esta monografía explora la aplicación de algoritmos de Aprendizaje Automatizado para tareas de clasificación espectral y estimación del Redshift, con proyección a futuros Surveys de gran impacto en cosmología, como el Dark Energy Spectroscopic Instrument (DESI)." -- Tomado del Formato de Documento de Grado.

• Autores: Saavedra Alfonso, Jairo Andrés
• Tipo de recurso: Trabajo de grado de pregrado
• Fecha de publicación: 2019
• Institución: Universidad de los Andes
• Repositorio: Séneca: repositorio Uniandes
• Idioma: spa
• OAI Identifier: oai:repositorio.uniandes.edu.co:1992/44803
• Acceso en línea: http://hdl.handle.net/1992/44803
• Palabra clave: Estrellas; Análisis espectral; Desplazamiento hacía el rojo; Cosmología; Aprendizaje automático (Inteligencia artificial); Física
• Rights: openAccess
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/