Cluster analysis and unsupervised machine learning applied to find open star clusters in the Milky Way
El objetivo principal de este proyecto es caracterizar cúmulos abiertos en la Vía Láctea por medio de aprendizaje automático no supervisado usando el algoritmo de agrupamiento Density-based spatial clustering of applications with noise (DBSCAN), usando la base de datos Gaia DR2 con el fin de obtener...
- Autores:
-
Amar Lesmes, Andrés Felipe
- Tipo de recurso:
- Trabajo de grado de pregrado
- Fecha de publicación:
- 2020
- Institución:
- Universidad de los Andes
- Repositorio:
- Séneca: repositorio Uniandes
- Idioma:
- eng
- OAI Identifier:
- oai:repositorio.uniandes.edu.co:1992/51274
- Acceso en línea:
- http://hdl.handle.net/1992/51274
- Palabra clave:
- Vía Láctea
Astronomía
Cúmulos estelares
Aprendizaje automático (Inteligencia artificial)
Análisis cluster
Física
- Rights
- openAccess
- License
- http://creativecommons.org/licenses/by-nc-sa/4.0/
id |
UNIANDES2_d590d6638382d1483866f09f87d73fbb |
---|---|
oai_identifier_str |
oai:repositorio.uniandes.edu.co:1992/51274 |
network_acronym_str |
UNIANDES2 |
network_name_str |
Séneca: repositorio Uniandes |
repository_id_str |
|
dc.title.spa.fl_str_mv |
Cluster analysis and unsupervised machine learning applied to find open star clusters in the Milky Way |
title |
Cluster analysis and unsupervised machine learning applied to find open star clusters in the Milky Way |
spellingShingle |
Cluster analysis and unsupervised machine learning applied to find open star clusters in the Milky Way Vía Láctea Astronomía Cúmulos estelares Aprendizaje automático (Inteligencia artificial) Análisis cluster Física |
title_short |
Cluster analysis and unsupervised machine learning applied to find open star clusters in the Milky Way |
title_full |
Cluster analysis and unsupervised machine learning applied to find open star clusters in the Milky Way |
title_fullStr |
Cluster analysis and unsupervised machine learning applied to find open star clusters in the Milky Way |
title_full_unstemmed |
Cluster analysis and unsupervised machine learning applied to find open star clusters in the Milky Way |
title_sort |
Cluster analysis and unsupervised machine learning applied to find open star clusters in the Milky Way |
dc.creator.fl_str_mv |
Amar Lesmes, Andrés Felipe |
dc.contributor.advisor.none.fl_str_mv |
García Varela, José Alejandro |
dc.contributor.author.none.fl_str_mv |
Amar Lesmes, Andrés Felipe |
dc.subject.armarc.none.fl_str_mv |
Vía Láctea Astronomía Cúmulos estelares Aprendizaje automático (Inteligencia artificial) Análisis cluster |
topic |
Vía Láctea Astronomía Cúmulos estelares Aprendizaje automático (Inteligencia artificial) Análisis cluster Física |
dc.subject.themes.none.fl_str_mv |
Física |
description |
El objetivo principal de este proyecto es caracterizar cúmulos abiertos en la Vía Láctea por medio de aprendizaje automático no supervisado usando el algoritmo de agrupamiento Density-based spatial clustering of applications with noise (DBSCAN), usando la base de datos Gaia DR2 con el fin de obtener datos estándares y usados en la literatura para su futura comparación. Los resultados del algoritmo DBSCAN muestran una eficiencia muy alta con respecto a lo comparado en la literatura para los cúmulos de Beehive, Pleiades, NGC 2451, Hyades, Blanco 1 y el cúmulo doble de Perseo. Las estructuras se filtraron de forma precisa y el análisis muestra que los diagramas de color magnitud son similares a la literatura. Se propuso un nuevo parámetro para el algoritmo DBSCAN encargado de optimizar el tiempo de ejecución, gananado así mismo tiempo de cómputo para grandes volúmenes de datos. Los miembros de cada cúmulo calculados son muy similares y en algunos casos superiores a los encontrados en la literatura. Para obtener un mejor modelamiento de los datos es preciso calcular detalladamente de forma iterativa combinaciones de parámetros. |
publishDate |
2020 |
dc.date.issued.none.fl_str_mv |
2020 |
dc.date.accessioned.none.fl_str_mv |
2021-08-10T18:18:16Z |
dc.date.available.none.fl_str_mv |
2021-08-10T18:18:16Z |
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/1992/51274 |
dc.identifier.pdf.none.fl_str_mv |
23600.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/1992/51274 |
identifier_str_mv |
23600.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 |
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.none.fl_str_mv |
67 hojas |
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 |
Física |
dc.publisher.faculty.none.fl_str_mv |
Facultad de Ciencias |
dc.publisher.department.none.fl_str_mv |
Departamento de Física |
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/4b764101-faa2-4b14-b69c-370498d202c7/download https://repositorio.uniandes.edu.co/bitstreams/2192bad6-93ea-4fd4-a07b-0e7ecc089978/download https://repositorio.uniandes.edu.co/bitstreams/a87d1faa-7d88-45a6-9977-09639be8bb92/download |
bitstream.checksum.fl_str_mv |
3948c88102cf9c163e1e67fcd071205a 1c00d3046e9ce1e943224b66819e0423 b49789b59f19c25590e40c2a80cb6b21 |
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_ |
1812133906679332864 |
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_abf2García Varela, José Alejandrovirtual::6886-1Amar Lesmes, Andrés Felipe188d0dc8-43ca-4bfb-a700-9c4199f6cb8d5002021-08-10T18:18:16Z2021-08-10T18:18:16Z2020http://hdl.handle.net/1992/5127423600.pdfinstname:Universidad de los Andesreponame:Repositorio Institucional Sénecarepourl:https://repositorio.uniandes.edu.co/El objetivo principal de este proyecto es caracterizar cúmulos abiertos en la Vía Láctea por medio de aprendizaje automático no supervisado usando el algoritmo de agrupamiento Density-based spatial clustering of applications with noise (DBSCAN), usando la base de datos Gaia DR2 con el fin de obtener datos estándares y usados en la literatura para su futura comparación. Los resultados del algoritmo DBSCAN muestran una eficiencia muy alta con respecto a lo comparado en la literatura para los cúmulos de Beehive, Pleiades, NGC 2451, Hyades, Blanco 1 y el cúmulo doble de Perseo. Las estructuras se filtraron de forma precisa y el análisis muestra que los diagramas de color magnitud son similares a la literatura. Se propuso un nuevo parámetro para el algoritmo DBSCAN encargado de optimizar el tiempo de ejecución, gananado así mismo tiempo de cómputo para grandes volúmenes de datos. Los miembros de cada cúmulo calculados son muy similares y en algunos casos superiores a los encontrados en la literatura. Para obtener un mejor modelamiento de los datos es preciso calcular detalladamente de forma iterativa combinaciones de parámetros.The main intention of this project is to characterize open clusters of the Milky Way via unsupervised machine learning with the clustering algorithm density-based spatial clustering of applications with noise (DBSCAN), the data used was retrieved from Gaia DR2 in favor of having standard data for further analysis based on literature and comparison also with it. The performance of the DBSCAN algorithm shows a highly efficiency seeking the clusters compared with the literature, for the open clusters Beehive, Pleiades, NGC 2451, Hyades, Blanco 1 and Persei double cluster. The structures were filtered in a precise way and the analysis of the colour-magnitude diagram are similar to what was previously described. A new parameter was proposed for the DBSCAN algorithm in charge of optimizing the execution time, also gaining computing time for large volumes of data. The calculated members of each cluster are very similar and in some cases higher than those found in the literature. To obtain a better modeling of the data, combinations of parameters must be calculated in detail in an iterative way.FísicoPregrado67 hojasapplication/pdfengUniversidad de los AndesFísicaFacultad de CienciasDepartamento de FísicaCluster analysis and unsupervised machine learning applied to find open star clusters in the Milky WayTrabajo 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/TPVía LácteaAstronomíaCúmulos estelaresAprendizaje automático (Inteligencia artificial)Análisis clusterFísica201410873Publication88a1271b-7c5b-4cba-a02a-87878aba01e4virtual::6886-188a1271b-7c5b-4cba-a02a-87878aba01e4virtual::6886-1https://scienti.minciencias.gov.co/cvlac/visualizador/generarCurriculoCv.do?cod_rh=0000382418virtual::6886-1ORIGINAL23600.pdfapplication/pdf8593115https://repositorio.uniandes.edu.co/bitstreams/4b764101-faa2-4b14-b69c-370498d202c7/download3948c88102cf9c163e1e67fcd071205aMD51TEXT23600.pdf.txt23600.pdf.txtExtracted texttext/plain68764https://repositorio.uniandes.edu.co/bitstreams/2192bad6-93ea-4fd4-a07b-0e7ecc089978/download1c00d3046e9ce1e943224b66819e0423MD54THUMBNAIL23600.pdf.jpg23600.pdf.jpgIM Thumbnailimage/jpeg8159https://repositorio.uniandes.edu.co/bitstreams/a87d1faa-7d88-45a6-9977-09639be8bb92/downloadb49789b59f19c25590e40c2a80cb6b21MD551992/51274oai:repositorio.uniandes.edu.co:1992/512742024-03-13 13:17:50.108http://creativecommons.org/licenses/by-nc-sa/4.0/open.accesshttps://repositorio.uniandes.edu.coRepositorio institucional Sénecaadminrepositorio@uniandes.edu.co |