Ταξινόμηση αστρονομικών παρατηρήσεων με το βοήθεια μοντέλων Μηχανικής Μάθησης

Χριστοδούλου, Γεωργία; Christodoulou, Georgia

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