Metric learning strategies for the classification of T-Tauri Stars
El telescopio espacial: Satélite de Sondeo de Exoplanetas en Tránsito (TESS) permite la extracción de curvas de luz de alta calidad en estrellas con variaciones rápidas como las de tipo T-Tauri y otros objetos estelares jóvenes. Esto se hace con una cadencia de 30 minutos entre observaciones. Gracia...
- Autores:
-
Cabrera García, Juan Felipe
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2021
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- eng
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/53059
- Acceso en línea:
- http://hdl.handle.net/1992/53059
- Palabra clave:
- Telescopios
Astrofísica
Estrellas
Espacios métricos
Aprendizaje automático (Inteligencia artificial)
Ingeniería
- Rights
- openAccess
- License
- https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf
id |
UNIANDES2_cd5992111f1582215f71e2342994d7ad |
---|---|
oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/53059 |
network_acronym_str |
UNIANDES2 |
network_name_str |
Séneca: repositorio Uniandes |
repository_id_str |
|
dc.title.eng.fl_str_mv |
Metric learning strategies for the classification of T-Tauri Stars |
title |
Metric learning strategies for the classification of T-Tauri Stars |
spellingShingle |
Metric learning strategies for the classification of T-Tauri Stars Telescopios Astrofísica Estrellas Espacios métricos Aprendizaje automático (Inteligencia artificial) Ingeniería |
title_short |
Metric learning strategies for the classification of T-Tauri Stars |
title_full |
Metric learning strategies for the classification of T-Tauri Stars |
title_fullStr |
Metric learning strategies for the classification of T-Tauri Stars |
title_full_unstemmed |
Metric learning strategies for the classification of T-Tauri Stars |
title_sort |
Metric learning strategies for the classification of T-Tauri Stars |
dc.creator.fl_str_mv |
Cabrera García, Juan Felipe |
dc.contributor.advisor.none.fl_str_mv |
Giraldo Trujillo, Luis Felipe |
dc.contributor.author.none.fl_str_mv |
Cabrera García, Juan Felipe |
dc.contributor.jury.none.fl_str_mv |
García Varela, José Alejandro |
dc.subject.armarc.none.fl_str_mv |
Telescopios Astrofísica Estrellas Espacios métricos Aprendizaje automático (Inteligencia artificial) |
topic |
Telescopios Astrofísica Estrellas Espacios métricos Aprendizaje automático (Inteligencia artificial) Ingeniería |
dc.subject.themes.none.fl_str_mv |
Ingeniería |
description |
El telescopio espacial: Satélite de Sondeo de Exoplanetas en Tránsito (TESS) permite la extracción de curvas de luz de alta calidad en estrellas con variaciones rápidas como las de tipo T-Tauri y otros objetos estelares jóvenes. Esto se hace con una cadencia de 30 minutos entre observaciones. Gracias a la calidad de los datos, se abre la posibilidad de explorar técnicas avanzadas de machine learning con el objetivo de identificar la morfología de las curvas de luz. En este proyecto implementamos la técnica de metric learning, "Mahalanobis Metric for Clustering" para transformar el espacio de características a traves de una métrica con la finalidad de separar las clases para mejorar la clasificación e interpretación. Nuestra implementación se prueba con éxito en los conjuntos de datos de "Iris" y "WineW del Repositorio UCI Machine Learning, dejando cierto margen de mejora al realizar pruebas en un conjunto de 728 curvas de luz extraídas de TESS. Además, realizamos un experimento de clasificación con los datos originales y transformados por la métrica. Los resultados muestran que la métrica mejora la clasificación en "Iris", la mejora parcialmente en "Wine" y no lo mejora para TESS. |
publishDate |
2021 |
dc.date.accessioned.none.fl_str_mv |
2021-11-03T16:10:24Z |
dc.date.available.none.fl_str_mv |
2021-11-03T16:10:24Z |
dc.date.issued.none.fl_str_mv |
2021 |
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/1992/53059 |
dc.identifier.pdf.none.fl_str_mv |
25342.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/1992/53059 |
identifier_str_mv |
25342.pdf instname:Universidad de los Andes reponame:Repositorio Institucional Séneca repourl:https://repositorio.uniandes.edu.co/ |
dc.language.iso.none.fl_str_mv |
eng |
language |
eng |
dc.rights.uri.*.fl_str_mv |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf |
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 |
https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdf http://purl.org/coar/access_right/c_abf2 |
eu_rights_str_mv |
openAccess |
dc.format.extent.none.fl_str_mv |
11 páginas |
dc.format.mimetype.none.fl_str_mv |
application/pdf |
dc.publisher.none.fl_str_mv |
Universidad de los Andes |
dc.publisher.program.none.fl_str_mv |
Ingeniería Electrónica |
dc.publisher.faculty.none.fl_str_mv |
Facultad de Ingeniería |
dc.publisher.department.none.fl_str_mv |
Departamento de Ingeniería Eléctrica y Electrónica |
publisher.none.fl_str_mv |
Universidad de los Andes |
institution |
Universidad de los Andes |
bitstream.url.fl_str_mv |
https://repositorio.uniandes.edu.co/bitstreams/f2f20a86-b44d-4712-ae3d-6aadcfe46df3/download https://repositorio.uniandes.edu.co/bitstreams/b971f04e-e1f2-491b-8752-e71e696a0dd5/download https://repositorio.uniandes.edu.co/bitstreams/736a6c69-45ed-48d0-80d2-133074b36a98/download |
bitstream.checksum.fl_str_mv |
6c5666db0401d31d0308499752083ec3 bca62c3acb376edd640024d21bcf42e6 26551d6439d268ca3442f079bb880e71 |
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_ |
1812134008696340480 |
spelling |
Al consultar y hacer uso de este recurso, está aceptando las condiciones de uso establecidas por los autores.https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfinfo:eu-repo/semantics/openAccesshttp://purl.org/coar/access_right/c_abf2Giraldo Trujillo, Luis Felipevirtual::13174-1Cabrera García, Juan Felipe373c4a61-776f-4a07-ad84-b1cfb8a6e033400García Varela, José Alejandro2021-11-03T16:10:24Z2021-11-03T16:10:24Z2021http://hdl.handle.net/1992/5305925342.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/El telescopio espacial: Satélite de Sondeo de Exoplanetas en Tránsito (TESS) permite la extracción de curvas de luz de alta calidad en estrellas con variaciones rápidas como las de tipo T-Tauri y otros objetos estelares jóvenes. Esto se hace con una cadencia de 30 minutos entre observaciones. Gracias a la calidad de los datos, se abre la posibilidad de explorar técnicas avanzadas de machine learning con el objetivo de identificar la morfología de las curvas de luz. En este proyecto implementamos la técnica de metric learning, "Mahalanobis Metric for Clustering" para transformar el espacio de características a traves de una métrica con la finalidad de separar las clases para mejorar la clasificación e interpretación. Nuestra implementación se prueba con éxito en los conjuntos de datos de "Iris" y "WineW del Repositorio UCI Machine Learning, dejando cierto margen de mejora al realizar pruebas en un conjunto de 728 curvas de luz extraídas de TESS. Además, realizamos un experimento de clasificación con los datos originales y transformados por la métrica. Los resultados muestran que la métrica mejora la clasificación en "Iris", la mejora parcialmente en "Wine" y no lo mejora para TESS.The Transiting Exoplanet Survey Satellite space telescope (TESS) allows the extraction of high quality Light Curves of stars with rapid variations such as T-Tauri stars and other young stellar objects. This is done with its cadence of 30 minutes between observations. Such high quality data opens the opportunity for advanced machine learning explorations aiming to the identification of the light curve's morphology. On this project we implement the metric learning technique of Mahalanobis Metric for Clustering to transform the feature space by using a metric in an attempt of separating the classes to improve classification and interpretation. Our implementation is tested successfully on the Iris and Wine data sets from the UCI Machine Learning Repository, leaving some room for improvement when testing on a set of 728 TESS extracted light curves. Additionally, we conduct a classification experiment with both the raw data, and transformed by the metric. The results showed that the metric improves the classification on Iris, partially improves it on Wine and does not improve it for TESS.Ingeniero ElectrónicoPregrado11 páginasapplication/pdfengUniversidad de los AndesIngeniería ElectrónicaFacultad de IngenieríaDepartamento de Ingeniería Eléctrica y ElectrónicaMetric learning strategies for the classification of T-Tauri StarsTrabajo 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/TPTelescopiosAstrofísicaEstrellasEspacios métricosAprendizaje automático (Inteligencia artificial)Ingeniería201530946Publicationhttps://scholar.google.es/citations?user=4TGvo8AAAAJvirtual::13174-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000802506virtual::13174-1eb386eec-3ec8-40c2-829d-ae8cbf0e384evirtual::13174-1eb386eec-3ec8-40c2-829d-ae8cbf0e384evirtual::13174-1ORIGINAL25342.pdfapplication/pdf1388344https://repositorio.uniandes.edu.co/bitstreams/f2f20a86-b44d-4712-ae3d-6aadcfe46df3/download6c5666db0401d31d0308499752083ec3MD51TEXT25342.pdf.txt25342.pdf.txtExtracted texttext/plain38231https://repositorio.uniandes.edu.co/bitstreams/b971f04e-e1f2-491b-8752-e71e696a0dd5/downloadbca62c3acb376edd640024d21bcf42e6MD54THUMBNAIL25342.pdf.jpg25342.pdf.jpgIM Thumbnailimage/jpeg28105https://repositorio.uniandes.edu.co/bitstreams/736a6c69-45ed-48d0-80d2-133074b36a98/download26551d6439d268ca3442f079bb880e71MD551992/53059oai:repositorio.uniandes.edu.co:1992/530592024-03-13 14:52:21.027https://repositorio.uniandes.edu.co/static/pdf/aceptacion_uso_es.pdfopen.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co |