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...

Full description

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_ 1808390250276323328

Publicaciones similares