Return to search

Aprendizagem de máquina aplicada a métodos de classificação de supernovas

Made available in DSpace on 2018-09-11T12:25:58Z (GMT). No. of bitstreams: 1
tese_12581_Dissertação Rodrigo Duarte Silva - PPGFis.pdf: 7836357 bytes, checksum: dd128e0cf54e3d58e169b4f2492da434 (MD5)
Previous issue date: 2018-09-06 / Futuras pesquisas observacionais com investimentos, telescópios e tecnologias nunca antes
vistos, estão sendo propostas na tentativa de se desvendar os mistérios do Universo. Em
nosso trabalho, fornecemos um panorama desse cenário, com especial atenção para a
classificação de supernovas que será feita pelo LSST (Large Synoptic Survey Telescope) a
partir de 2022.
Inicialmente introduzimos a física que envolve o evento de Supernovas e sua observação, com
o objetivo de tratar o problema da classificação fotométrica de supernovas didaticamente.
Fornecemos importantes referências no uso de diferentes aprendizagens de máquina e
redes neurais para esse propósito. Incluímos resultados do uso de alguns dos métodos
computacionais e a teoria por trás deles, destacando suas potencialidades e vunerabilidades.
Os métodos de aprendizagem de máquina podem envolver supervisão ou não. Objetivamos
descrever a aplicação destas poderosas ferramentas, na análise de dados observacionais e
verificamos resultados inesperados. / Future observational research with investments, telescopes and technologies never before
seen, are being proposed in an attempt to unravel the mysteries of the Universe. In our
work, we provide an overview of this scenario, with special attention to the classification
of supernovae that will be done by LSST (Large Synoptic Survey Telescope) from 2022.
Initially, we introduce the physics that involve the Supernova event and its observation,
with the objective of treating the problem of photometric classification of supernovae. We
provide important references in the use of different machine learning and neural networks
for this purpose. We include results from the use of some of the computational methods
and the theory behind them, highlighting their potentialities and vunerabilities.

Machine learning methods may involve supervision or not. We aim to describe the applica-
tion of these powerful tools in the analysis of observational data and verify unexpected

results.

Identiferoai:union.ndltd.org:IBICT/oai:repositorio.ufes.br:10/10381
Date06 September 2018
CreatorsSilva, Rodrigo Duarte, 0000000226294436
ContributorsCasarini, Luciano, Fabris, Julio César, Reis, Ribamar Rondon de Rezende dos, Marra, Valerio
PublisherUniversidade Federal do Espírito Santo, Mestrado em Física, Programa de Pós-Graduação em Física, UFES, BR
Source SetsIBICT Brazilian ETDs
Detected LanguageEnglish
Typeinfo:eu-repo/semantics/publishedVersion, info:eu-repo/semantics/masterThesis
Formatapplication/pdf
Sourcereponame:Repositório Institucional da UFES, instname:Universidade Federal do Espírito Santo, instacron:UFES
Rightshttps://creativecommons.org/licenses/by-nc-nd/4.0/, info:eu-repo/semantics/openAccess

Page generated in 0.0019 seconds