dc.contributor.author | Χριστοδούλου, Γεωργία | el |
dc.contributor.author | Christodoulou, Georgia | en |
dc.date.accessioned | 2020-04-24T08:48:41Z | |
dc.date.available | 2020-04-24T08:48:41Z | |
dc.identifier.uri | https://dspace.lib.ntua.gr/xmlui/handle/123456789/50229 | |
dc.identifier.uri | http://dx.doi.org/10.26240/heal.ntua.17927 | |
dc.rights | Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα | * |
dc.rights.uri | http://creativecommons.org/licenses/by-nc-nd/3.0/gr/ | * |
dc.subject | Μηχανική μάθηση | el |
dc.subject | Τεχνητή νοημοσύνη | el |
dc.subject | Ταξινόμηση | el |
dc.subject | Νευρωνικά δίκτυα | el |
dc.subject | Αστρονομικές παρατηρήσεις | el |
dc.subject | Επιβλεπόμενη μάθηση | el |
dc.subject | Sloan Digital Sky Survey | en |
dc.subject | Neural networks | en |
dc.subject | Classification | en |
dc.subject | Linear discriminant analysis | en |
dc.subject | Boosted decision trees | en |
dc.subject | Gradient boosting machine | en |
dc.subject | Astronomical observations | en |
dc.subject | Artificial intelligence | en |
dc.subject | Γραμμικοί ταξινομητές | el |
dc.subject | Μη γραμμικοί ταξινομητές | el |
dc.title | Ταξινόμηση αστρονομικών παρατηρήσεων με το βοήθεια μοντέλων Μηχανικής Μάθησης | el |
dc.title | Classification of astronomical observations using Machine Learning models | en |
heal.type | bachelorThesis | |
heal.classification | Μηχανική μάθηση | el |
heal.classification | Τεχνητή νοημοσύνη | el |
heal.classification | Machine learning | en |
heal.classification | Artificial intelligence | en |
heal.language | el | |
heal.access | free | |
heal.recordProvider | ntua | el |
heal.publicationDate | 2019-09-27 | |
heal.abstract | Στην εργασία κατασκευάσαμε, εκπαιδεύσαμε και αξιολογήσαμε μοντέλα Μηχανικής Μάθησης που ταξινομούν αστρονομικές παρατηρήσεις της έρευνας Sloan Digital Sky, σε τρεις κατηγορίες: Αστέρες, Γαλαξίες και Κβάζαρς. Μελετάμε τι μπορούμε να κάνουμε με πέντε μεταβλητές απόκρισης φίλτρων συν την μεταβλητή που περιγράφει την μετατόπιση προς το ερυθρό (redshift). Δηλαδή με το σκεπτικό ότι τα διάφορα αστρονομικά αντικείμενα έχουν διαφορετικό αποτύπωμα στο Ηλεκτρομαγνητικό φάσμα, μελετάμε το πόσο ισχυροί μπορούν να είναι οι ταξινομητές που εκπαιδεύουμε. Αρχικά, εφαρμόσαμε δύο διαφορετικές μεθόδους Linear Discriminant Analysis (LDA) στα δεδομένα μας για να μελετήσουμε την απόδοση των απλούστερων μεθόδων ταξινόμησης πριν προχωρήσουμε στην εκπαίδευση άλλων μη γραμμικών μεθόδων, και άρα πιο σύνθετων. Συγκεκριμένα, ασχοληθήκαμε με την κατασκευή και την εκπαίδευση Νευρωνικών δικτύων και Ενδυναμωμένων Δέντρων Απόφασης. Καταγράψαμε και μελετήσαμε την απόδοσή τους για να συγκρίνουμε τα αποτελέσματα και να καταλήξουμε στο μοντέλο που επιλύει το πρόβλημα της ταξινόμησης με τα λιγότερα σφάλματα. | el |
heal.abstract | We developed, trained and evaluated Machine Learning models in order to be able to classify astronomical observations of the Sloan Digital Sky Survey, into three categories: Stars, Galaxies and Quasars. We studied what is possible to achieve using five different variables of filter responses, plus the variable that quantifies redshift. In other words, knowing that the different astronomical objects have different spectral signatures, we wanted to study how accurate could be the classifiers we train. At first, we applied two different Linear Discriminant Analysis methods to our data in order to analyze their performance. Subsequently, we developed, trained and tested more complex Machine Leaning models. In particular, we worked with Neural Networks and Boosted Decision Trees. We compared the performances of all the models in order to find out which one solved the classification problem with the lower misclassification error. | en |
heal.advisorName | Κουσουρής, Κωνσταντίνος | el |
heal.advisorName | Kousouris, Konstantinos | el |
heal.committeeMemberName | Κουσουρής, Κωνσταντίνος | el |
heal.committeeMemberName | Τζαμαριουδάκη, Αικατερίνη | el |
heal.committeeMemberName | Τσιπολίτης, Γεώργιος | el |
heal.academicPublisher | Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Φυσικής | el |
heal.academicPublisherID | ntua | |
heal.numberOfPages | 124 σ. | |
heal.fullTextAvailability | false |
The following license files are associated with this item: