Μελέτη αναγνώρισης προτύπων σε αστρονομικά δεδομένα

Σκούλλου-Λάμπρου, Αγλαια-Ελένη

dc.contributor.author	Σκούλλου-Λάμπρου, Αγλαια-Ελένη	el
dc.date.accessioned	2020-11-20T08:03:07Z
dc.date.available	2020-11-20T08:03:07Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/51955
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.19653
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	Αστροφυσική	el
dc.subject	Μάθηση υπό επίβλεψη	el
dc.subject	Πάλσαρ	el
dc.subject	Αναγνώριση προτύπων	el
dc.title	Μελέτη αναγνώρισης προτύπων σε αστρονομικά δεδομένα	el
heal.type	bachelorThesis
heal.classification	Μηχανική Μάθηση	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2018-09
heal.abstract	Η ανακάλυψη και αυτοματοποίηση των πάλσαρ είναι ένα σημαντικό πεδίο της ραδιοαστρονομίας. Από την ανακάλυψή τους το 1967 η μελέτη των πάλσαρ έχει αποδειχθεί πολύ χρήσιμη ποικιλορόπως καθώς μπορούν να χρησιμοποιηθούν για τη μέτρηση της κοσμικής απόστασης, την ανακάλυψη εξωηλιακών πλανητών και βαρυτικών κυμάτων, καθώς και στη μελέτη της συμπυκνωμένης ύλης. Η εξέλιξη των αστρονομικών οργάνων είχε ως αποτέλεσμα την εκθετική αύξηση του όγκου των δεδομένων και κατά συνέπεια την ανάγκη χρήσης αλγορίθμων μηχανικής μάθησης για την εξόρυξη μεγάλων αστρονομικών συνόλων δεδομένων και την αυτόματη αναγνώριση υποψηφίων πάλσαρ. Το UCI Repository είναι μία συλλογή από βάσεις δεδομένων που έχει χρησιμοποιηθεί ευρέως από μαθητές, εκπαιδευτικούς και ερευνητές ως κύρια πηγή συνόλων δεδομένων μηχανικής μάθησης. Σε αυτή τη μελέτη εφαρμόσαμε, βελτιστοποιήσαμε και συγκρίναμε πολλαπλούς αλγορίθμους μηχανικής μάθησης υπό επίβλεψη για την ταξινόμηση των υποψηφίων πάλσαρ του συνόλου δεδομένων HTRU2 του αποθετηρίου UCI. Στην ανάλυση μας χρησιμοποιήσαμε Linear Classifier (Fisher), Boosted Decision Trees (BDT), Neural Networks and Support Vector Machine (SVM) και καταφέραμε να επιτύχουμε υψηλή απόδοση με τους περισσότερους από τους αλγορίθμους με καλύτερη απόδοση με τον αλγόριθμο Boosted Decision Trees.	el
heal.advisorName	Κουσουρής, Κωνσταντίνος	el
heal.committeeMemberName	Κουσουρής, Κωνσταντίνος	el
heal.committeeMemberName	Κουσουρής, Κωνσταντίνος	el
heal.committeeMemberName	Τζιαμαριουδάκη, Αικατερίνη	el
heal.committeeMemberName	Τσιπολίτης, Γεώργιος	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false