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...
- 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/
id |
UNIANDES2_641cdfdf9607d61347c4673b0c4ec7d0 |
---|---|
oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/44803 |
network_acronym_str |
UNIANDES2 |
network_name_str |
Séneca: repositorio Uniandes |
repository_id_str |
|
spelling |
Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.http://creativecommons.org/licenses/by-nc-sa/4.0/info:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Forero Romero, Jaime Ernestovirtual::5369-1Saavedra Alfonso, Jairo Andrésb846416c-8f9a-497c-9866-6bb4f14b78a9500Sabogal Martínez, Beatriz Eugenia2020-09-03T15:02:09Z2020-09-03T15:02:09Z2019http://hdl.handle.net/1992/44803u831029.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/"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."Observational cosmology depend on the interpretation of large spectrometric surveys. The technological advances allow tens of thousands of spectra to be recorded on a single observation night. Therefore, it is necessary to approach the problem of spectral classification out of the traditional way. In the last decade, Machine Learning techniques has proven efficient in solving classification and regression problems in computational science and computer vision. In an effort to handle human-level spectra classification and redshift estimation of astrophysical spectra, this project explore Machine Learning algorithms for spectral classification and Redshift estimation on future surveys like Dark Energy Spectroscopic Instrument (DESI)." -- Tomado del Formato de Documento de Grado.FísicoPregrado52 hojasapplication/pdfspaUniversidad de los AndesFísicaFacultad de CienciasDepartamento de Físicainstname:Universidad de los Andesreponame:Repositorio Institucional SénecaAprendizaje automatizado para clasificación y estimación de corrimiento al rojo de espectros astrofísicosTrabajo de grado - Pregradoinfo:eu-repo/semantics/bachelorThesishttp://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/version/c_970fb48d4fbd8a85Texthttp://purl.org/redcol/resource_type/TPEstrellasAnálisis espectralDesplazamiento hacía el rojoCosmologíaAprendizaje automático (Inteligencia artificial)FísicaPublicationhttps://scholar.google.es/citations?user=TLTK6WgAAAAJvirtual::5369-10000-0002-2890-3725virtual::5369-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000337102virtual::5369-1d34cd5a0-50f5-42ea-825e-b51f5368f321virtual::5369-1d34cd5a0-50f5-42ea-825e-b51f5368f321virtual::5369-1TEXTu831029.pdf.txtu831029.pdf.txtExtracted texttext/plain61738https://repositorio.uniandes.edu.co/bitstreams/81dd3c76-07a1-46b9-9665-880da3c0da37/download6c588641326b82a14f2e24d3a6716ed6MD54THUMBNAILu831029.pdf.jpgu831029.pdf.jpgIM Thumbnailimage/jpeg9364https://repositorio.uniandes.edu.co/bitstreams/b39acdb0-6515-4fca-a4c8-c6621235d00d/download89987fdfd2b132913a119981d2366f50MD55ORIGINALu831029.pdfapplication/pdf2656143https://repositorio.uniandes.edu.co/bitstreams/53982f9c-a49a-46bf-8e6f-cc158475dd7e/downloadc3420a8eed82562f7994677a931555d7MD511992/44803oai:repositorio.uniandes.edu.co:1992/448032024-03-13 12:55:32.77http://creativecommons.org/licenses/by-nc-sa/4.0/open.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co |
dc.title.es_CO.fl_str_mv |
Aprendizaje automatizado para clasificación y estimación de corrimiento al rojo de espectros astrofísicos |
title |
Aprendizaje automatizado para clasificación y estimación de corrimiento al rojo de espectros astrofísicos |
spellingShingle |
Aprendizaje automatizado para clasificación y estimación de corrimiento al rojo de espectros astrofísicos Estrellas Análisis espectral Desplazamiento hacía el rojo Cosmología Aprendizaje automático (Inteligencia artificial) Física |
title_short |
Aprendizaje automatizado para clasificación y estimación de corrimiento al rojo de espectros astrofísicos |
title_full |
Aprendizaje automatizado para clasificación y estimación de corrimiento al rojo de espectros astrofísicos |
title_fullStr |
Aprendizaje automatizado para clasificación y estimación de corrimiento al rojo de espectros astrofísicos |
title_full_unstemmed |
Aprendizaje automatizado para clasificación y estimación de corrimiento al rojo de espectros astrofísicos |
title_sort |
Aprendizaje automatizado para clasificación y estimación de corrimiento al rojo de espectros astrofísicos |
dc.creator.fl_str_mv |
Saavedra Alfonso, Jairo Andrés |
dc.contributor.advisor.none.fl_str_mv |
Forero Romero, Jaime Ernesto |
dc.contributor.author.none.fl_str_mv |
Saavedra Alfonso, Jairo Andrés |
dc.contributor.jury.none.fl_str_mv |
Sabogal Martínez, Beatriz Eugenia |
dc.subject.armarc.es_CO.fl_str_mv |
Estrellas Análisis espectral Desplazamiento hacía el rojo Cosmología Aprendizaje automático (Inteligencia artificial) |
topic |
Estrellas Análisis espectral Desplazamiento hacía el rojo Cosmología Aprendizaje automático (Inteligencia artificial) Física |
dc.subject.themes.none.fl_str_mv |
Física |
description |
"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. |
publishDate |
2019 |
dc.date.issued.none.fl_str_mv |
2019 |
dc.date.accessioned.none.fl_str_mv |
2020-09-03T15:02:09Z |
dc.date.available.none.fl_str_mv |
2020-09-03T15:02:09Z |
dc.type.spa.fl_str_mv |
Trabajo de grado - Pregrado |
dc.type.coarversion.fl_str_mv |
http://purl.org/coar/version/c_970fb48d4fbd8a85 |
dc.type.driver.spa.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
dc.type.coar.spa.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
dc.type.content.spa.fl_str_mv |
Text |
dc.type.redcol.spa.fl_str_mv |
http://purl.org/redcol/resource_type/TP |
format |
http://purl.org/coar/resource_type/c_7a1f |
dc.identifier.uri.none.fl_str_mv |
http://hdl.handle.net/1992/44803 |
dc.identifier.pdf.none.fl_str_mv |
u831029.pdf |
dc.identifier.instname.spa.fl_str_mv |
instname:Universidad de los Andes |
dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Séneca |
dc.identifier.repourl.spa.fl_str_mv |
repourl:https://repositorio.uniandes.edu.co/ |
url |
http://hdl.handle.net/1992/44803 |
identifier_str_mv |
u831029.pdf instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
dc.language.iso.es_CO.fl_str_mv |
spa |
language |
spa |
dc.rights.uri.*.fl_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ |
dc.rights.accessrights.spa.fl_str_mv |
info:eu-repo/semantics/openAccess |
dc.rights.coar.spa.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
rights_invalid_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.format.extent.es_CO.fl_str_mv |
52 hojas |
dc.format.mimetype.es_CO.fl_str_mv |
application/pdf |
dc.publisher.es_CO.fl_str_mv |
Universidad de los Andes |
dc.publisher.program.es_CO.fl_str_mv |
Física |
dc.publisher.faculty.es_CO.fl_str_mv |
Facultad de Ciencias |
dc.publisher.department.es_CO.fl_str_mv |
Departamento de Física |
dc.source.es_CO.fl_str_mv |
instname:Universidad de los Andes reponame:Repositorio Institucional Séneca |
instname_str |
Universidad de los Andes |
institution |
Universidad de los Andes |
reponame_str |
Repositorio Institucional Séneca |
collection |
Repositorio Institucional Séneca |
bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/81dd3c76-07a1-46b9-9665-880da3c0da37/download https://repositorio.uniandes.edu.co/bitstreams/b39acdb0-6515-4fca-a4c8-c6621235d00d/download https://repositorio.uniandes.edu.co/bitstreams/53982f9c-a49a-46bf-8e6f-cc158475dd7e/download |
bitstream.checksum.fl_str_mv |
6c588641326b82a14f2e24d3a6716ed6 89987fdfd2b132913a119981d2366f50 c3420a8eed82562f7994677a931555d7 |
bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 |
repository.name.fl_str_mv |
Repositorio institucional Séneca |
repository.mail.fl_str_mv |
adminrepositorio@uniandes.edu.co |
_version_ |
1812133881434865664 |