Estimación de la función de luminosidad de UCDs mediante técnicas de aprendizaje automático

Arroyo Galende, Borja. (2021). Estimación de la función de luminosidad de UCDs mediante técnicas de aprendizaje automático Master Thesis, Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial

Ficheros (Some files may be inaccessible until you login with your e-spacio credentials)
Nombre Descripción Tipo MIME Size
Arroyo_Galende_Borja_TFM.pdf Arroyo_Galende_Borja_TFM.pdf application/pdf 1.77MB

Título Estimación de la función de luminosidad de UCDs mediante técnicas de aprendizaje automático
Autor(es) Arroyo Galende, Borja
Resumen Gaia es una misión espacial cuyo objetivo es medir una muestra de estrellas de nuestra Galaxia devolviendo tanto medidas astrométricas como fotométricas. El procesamiento de datos surge entonces de forma natural para poder responder a cuestiones planteadas por el ámbito científico. En este trabajo se crea un flujo de datos que comienza con la misión Gaia (junto con observaciones de otras misiones) y termina con la construcción de un modelo jerárquico multinivel encargado de estimar las probabilidades a posteriori de distintas variables astrofísicas junto con algunos parámetros. Para ello, primero se eliminan las observaciones ruidosas mediante un bosque aleatorio entrenado sobre los conjuntos de entrenamiento positivo, o de buenas soluciones astrométricas; y negativo, o de malas soluciones astrométricas. El resultado es una lista curada de estrellas, en cuanto a que poseen una buena solución astrométrica, que se introducen como entrada al modelo jerárquico bayesiano multinivel. Dicho modelo infiere las relaciones entre las distintas variables que intervienen en el proceso y da como resultado la estimación de la secuencia principal. La función de luminosidad se representa, a priori, según una exponencial. Esta suposición, junto con la mala escalabilidad del modelo jerárquico, debido a que posee un proceso gaussiano embebido, causan la imposibilidad de realizar una inferencia completa con todas las observaciones. La excedencia con creces del tiempo teórico de dedicación a este trabajo es el mayor impedimento de cara a finalizar lo que ha sido, y es, un estudio muy completo que aborda diferentes métodos del mundo de la ciencia de datos.
Notas adicionales Trabajo de Fin de Máster Universitario en Ingeniería y Ciencia de Datos. UNED
Materia(s) Ingeniería Informática
Palabra clave Inteligencia artificial
astrofísica
minería de datos
aprendizaje bayesiano
MCMC
bosque aleatorio
Editor(es) Universidad Nacional de Educación a Distancia (España). Escuela Técnica Superior de Ingeniería Informática. Departamento de Inteligencia Artificial
Director/Tutor Sarro Baro, Luis Manuel
Fecha 2021-09-01
Formato application/pdf
Identificador bibliuned:master-ETSInformatica-ICD-Barroyo
http://e-spacio.uned.es/fez/view/bibliuned:master-ETSInformatica-ICD-Barroyo
Idioma spa
Versión de la publicación acceptedVersion
Nivel de acceso y licencia http://creativecommons.org/licenses/by-nc-nd/4.0
info:eu-repo/semantics/openAccess
Tipo de recurso master Thesis
Tipo de acceso Acceso abierto

 
Versiones
Versión Tipo de filtro
Contador de citas: Google Scholar Search Google Scholar
Estadísticas de acceso: 254 Visitas, 140 Descargas  -  Estadísticas en detalle
Creado: Tue, 26 Oct 2021, 19:21:24 CET