HEAL DSpace

Ταξινόμηση αστρονομικών παρατηρήσεων με το βοήθεια μοντέλων Μηχανικής Μάθησης

DSpace/Manakin Repository

Show simple item record

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


Files in this item

The following license files are associated with this item:

This item appears in the following Collection(s)

Show simple item record

Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα Except where otherwise noted, this item's license is described as Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα