Modelos de aprendizaje automático para el procesamiento y análisis de datos astronómicos

Autores
Ponte Ahón, Santiago Andres
Año de publicación
2024
Idioma
español castellano
Tipo de recurso
documento de conferencia
Estado
versión publicada
Descripción
El objetivo general de mi plan es el desarrollo y la aplicación de modelos de Aprendizaje Automático capaces de procesar, detectar y clasificar diversos tipos de datos astronómicos. Por un lado, se trabajará con datos espectroscópicos adquiridos durante el siglo pasado. Estos datos actualmente se encuentran almacenados en placas de vidrio en la Facultad de Ciencias Astronómicas y Geofísicas (UNLP). Este material comenzó a ser digitalizado a partir de 2019 a través del proyecto "Recuperación del Trabajo Observacional Histórico" (ReTrOH). Los objetivos particulares de esta linea de investigación son los siguientes:- Estudiar y analizar métodos y pipelines existentes para el procesamiento de datos astronómicos de legado tales como las placas espectrográficas antiguas.- Desarrollar una solución totalmente automatizada para resolver el problema de calibración en longitud de onda que actualmente se resuelve mediante un proceso manual, largo y especializado.- Desarrollar métodos que resuelvan la totalidad del procesamiento de forma automática y que permitan la resolución eficaz de cantidades masivas de estos datos.Por otra parte, se plantea como objetivo de esta Tesis el desarrollo y aplicación de modelos basados en Aprendizaje Automatico (AA) para analizar, clasificar y procesar automáticamente objetos astronómicos.Los objetivos particulares son los siguientes:- Estudiar y analizar métodos existentes para identificar y clasificar objetos astronómicos en base a datos espectroscópicos y fotométricos, haciendo foco en la detección de Estrellas masivas jovenes, como las Be.- Desarrollar algoritmos de extracción de características que permitan identificar la información de las bases de datos disponibles para poder generalizar adecuadamente los modelos.- Desarrollar modelos basados en Redes Neuronales Artificiales para abordar el problema del desbalance de clases en bases de datos astronómicas.
Carrera: Doctorado en Ciencias Informáticas Lugar de trabajo: Instituto de Investigación en Informática (III-LIDI) Organismo: UNLP Año de inicio de beca: 2023 Año de finalización de beca: 2028 Apellido, Nombre del Director/a/e: Ronchetti, Franco Apellido, Nombre del Codirector/a/e: Aidelman, Yael Lugar de desarrollo: Instituto de Investigación en Informática (III-LIDI) Áreas de conocimiento: Cs de la Computación Tipo de investigación: Aplicada
Facultad de Informática
Materia
Cs de la Computación
aprendizaje automático
placas espectrocopicas
aprendizaje profundo
datos astronómicos
machine learning
spectrocopic plates
deep learning
astronomical data
Nivel de accesibilidad
acceso abierto
Condiciones de uso
http://creativecommons.org/licenses/by-nc-sa/4.0/
Repositorio
SEDICI (UNLP)
Institución
Universidad Nacional de La Plata
OAI Identificador
oai:sedici.unlp.edu.ar:10915/173170
Acceder
id SEDICI_ff7496a90980bd29e856f63ddbcbfb5b
oai_identifier_str oai:sedici.unlp.edu.ar:10915/173170
network_acronym_str SEDICI
repository_id_str 1329
network_name_str SEDICI (UNLP)
spelling Modelos de aprendizaje automático para el procesamiento y análisis de datos astronómicosMachine Learning Models for Astronomical Data Processing and AnalysisPonte Ahón, Santiago AndresCs de la Computaciónaprendizaje automáticoplacas espectrocopicasaprendizaje profundodatos astronómicosmachine learningspectrocopic platesdeep learningastronomical dataEl objetivo general de mi plan es el desarrollo y la aplicación de modelos de Aprendizaje Automático capaces de procesar, detectar y clasificar diversos tipos de datos astronómicos. Por un lado, se trabajará con datos espectroscópicos adquiridos durante el siglo pasado. Estos datos actualmente se encuentran almacenados en placas de vidrio en la Facultad de Ciencias Astronómicas y Geofísicas (UNLP). Este material comenzó a ser digitalizado a partir de 2019 a través del proyecto "Recuperación del Trabajo Observacional Histórico" (ReTrOH). Los objetivos particulares de esta linea de investigación son los siguientes:- Estudiar y analizar métodos y pipelines existentes para el procesamiento de datos astronómicos de legado tales como las placas espectrográficas antiguas.- Desarrollar una solución totalmente automatizada para resolver el problema de calibración en longitud de onda que actualmente se resuelve mediante un proceso manual, largo y especializado.- Desarrollar métodos que resuelvan la totalidad del procesamiento de forma automática y que permitan la resolución eficaz de cantidades masivas de estos datos.Por otra parte, se plantea como objetivo de esta Tesis el desarrollo y aplicación de modelos basados en Aprendizaje Automatico (AA) para analizar, clasificar y procesar automáticamente objetos astronómicos.Los objetivos particulares son los siguientes:- Estudiar y analizar métodos existentes para identificar y clasificar objetos astronómicos en base a datos espectroscópicos y fotométricos, haciendo foco en la detección de Estrellas masivas jovenes, como las Be.- Desarrollar algoritmos de extracción de características que permitan identificar la información de las bases de datos disponibles para poder generalizar adecuadamente los modelos.- Desarrollar modelos basados en Redes Neuronales Artificiales para abordar el problema del desbalance de clases en bases de datos astronómicas.Carrera: Doctorado en Ciencias Informáticas Lugar de trabajo: Instituto de Investigación en Informática (III-LIDI) Organismo: UNLP Año de inicio de beca: 2023 Año de finalización de beca: 2028 Apellido, Nombre del Director/a/e: Ronchetti, Franco Apellido, Nombre del Codirector/a/e: Aidelman, Yael Lugar de desarrollo: Instituto de Investigación en Informática (III-LIDI) Áreas de conocimiento: Cs de la Computación Tipo de investigación: AplicadaFacultad de Informática2024-11-20info:eu-repo/semantics/conferenceObjectinfo:eu-repo/semantics/publishedVersionObjeto de conferenciahttp://purl.org/coar/resource_type/c_5794info:ar-repo/semantics/documentoDeConferenciaapplication/pdfhttp://sedici.unlp.edu.ar/handle/10915/173170spainfo:eu-repo/semantics/openAccesshttp://creativecommons.org/licenses/by-nc-sa/4.0/Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)reponame:SEDICI (UNLP)instname:Universidad Nacional de La Platainstacron:UNLP2026-04-23T11:49:15Zoai:sedici.unlp.edu.ar:10915/173170Institucionalhttp://sedici.unlp.edu.ar/Universidad públicaNo correspondehttp://sedici.unlp.edu.ar/oai/snrdalira@sedici.unlp.edu.arArgentinaNo correspondeNo correspondeNo correspondeopendoar:13292026-04-23 11:49:16.393SEDICI (UNLP) - Universidad Nacional de La Platafalse
dc.title.none.fl_str_mv Modelos de aprendizaje automático para el procesamiento y análisis de datos astronómicos
Machine Learning Models for Astronomical Data Processing and Analysis
title Modelos de aprendizaje automático para el procesamiento y análisis de datos astronómicos
spellingShingle Modelos de aprendizaje automático para el procesamiento y análisis de datos astronómicos
Ponte Ahón, Santiago Andres
Cs de la Computación
aprendizaje automático
placas espectrocopicas
aprendizaje profundo
datos astronómicos
machine learning
spectrocopic plates
deep learning
astronomical data
title_short Modelos de aprendizaje automático para el procesamiento y análisis de datos astronómicos
title_full Modelos de aprendizaje automático para el procesamiento y análisis de datos astronómicos
title_fullStr Modelos de aprendizaje automático para el procesamiento y análisis de datos astronómicos
title_full_unstemmed Modelos de aprendizaje automático para el procesamiento y análisis de datos astronómicos
title_sort Modelos de aprendizaje automático para el procesamiento y análisis de datos astronómicos
dc.creator.none.fl_str_mv Ponte Ahón, Santiago Andres
author Ponte Ahón, Santiago Andres
author_facet Ponte Ahón, Santiago Andres
author_role author
dc.subject.none.fl_str_mv Cs de la Computación
aprendizaje automático
placas espectrocopicas
aprendizaje profundo
datos astronómicos
machine learning
spectrocopic plates
deep learning
astronomical data
topic Cs de la Computación
aprendizaje automático
placas espectrocopicas
aprendizaje profundo
datos astronómicos
machine learning
spectrocopic plates
deep learning
astronomical data
dc.description.none.fl_txt_mv El objetivo general de mi plan es el desarrollo y la aplicación de modelos de Aprendizaje Automático capaces de procesar, detectar y clasificar diversos tipos de datos astronómicos. Por un lado, se trabajará con datos espectroscópicos adquiridos durante el siglo pasado. Estos datos actualmente se encuentran almacenados en placas de vidrio en la Facultad de Ciencias Astronómicas y Geofísicas (UNLP). Este material comenzó a ser digitalizado a partir de 2019 a través del proyecto "Recuperación del Trabajo Observacional Histórico" (ReTrOH). Los objetivos particulares de esta linea de investigación son los siguientes:- Estudiar y analizar métodos y pipelines existentes para el procesamiento de datos astronómicos de legado tales como las placas espectrográficas antiguas.- Desarrollar una solución totalmente automatizada para resolver el problema de calibración en longitud de onda que actualmente se resuelve mediante un proceso manual, largo y especializado.- Desarrollar métodos que resuelvan la totalidad del procesamiento de forma automática y que permitan la resolución eficaz de cantidades masivas de estos datos.Por otra parte, se plantea como objetivo de esta Tesis el desarrollo y aplicación de modelos basados en Aprendizaje Automatico (AA) para analizar, clasificar y procesar automáticamente objetos astronómicos.Los objetivos particulares son los siguientes:- Estudiar y analizar métodos existentes para identificar y clasificar objetos astronómicos en base a datos espectroscópicos y fotométricos, haciendo foco en la detección de Estrellas masivas jovenes, como las Be.- Desarrollar algoritmos de extracción de características que permitan identificar la información de las bases de datos disponibles para poder generalizar adecuadamente los modelos.- Desarrollar modelos basados en Redes Neuronales Artificiales para abordar el problema del desbalance de clases en bases de datos astronómicas.
Carrera: Doctorado en Ciencias Informáticas Lugar de trabajo: Instituto de Investigación en Informática (III-LIDI) Organismo: UNLP Año de inicio de beca: 2023 Año de finalización de beca: 2028 Apellido, Nombre del Director/a/e: Ronchetti, Franco Apellido, Nombre del Codirector/a/e: Aidelman, Yael Lugar de desarrollo: Instituto de Investigación en Informática (III-LIDI) Áreas de conocimiento: Cs de la Computación Tipo de investigación: Aplicada
Facultad de Informática
description El objetivo general de mi plan es el desarrollo y la aplicación de modelos de Aprendizaje Automático capaces de procesar, detectar y clasificar diversos tipos de datos astronómicos. Por un lado, se trabajará con datos espectroscópicos adquiridos durante el siglo pasado. Estos datos actualmente se encuentran almacenados en placas de vidrio en la Facultad de Ciencias Astronómicas y Geofísicas (UNLP). Este material comenzó a ser digitalizado a partir de 2019 a través del proyecto "Recuperación del Trabajo Observacional Histórico" (ReTrOH). Los objetivos particulares de esta linea de investigación son los siguientes:- Estudiar y analizar métodos y pipelines existentes para el procesamiento de datos astronómicos de legado tales como las placas espectrográficas antiguas.- Desarrollar una solución totalmente automatizada para resolver el problema de calibración en longitud de onda que actualmente se resuelve mediante un proceso manual, largo y especializado.- Desarrollar métodos que resuelvan la totalidad del procesamiento de forma automática y que permitan la resolución eficaz de cantidades masivas de estos datos.Por otra parte, se plantea como objetivo de esta Tesis el desarrollo y aplicación de modelos basados en Aprendizaje Automatico (AA) para analizar, clasificar y procesar automáticamente objetos astronómicos.Los objetivos particulares son los siguientes:- Estudiar y analizar métodos existentes para identificar y clasificar objetos astronómicos en base a datos espectroscópicos y fotométricos, haciendo foco en la detección de Estrellas masivas jovenes, como las Be.- Desarrollar algoritmos de extracción de características que permitan identificar la información de las bases de datos disponibles para poder generalizar adecuadamente los modelos.- Desarrollar modelos basados en Redes Neuronales Artificiales para abordar el problema del desbalance de clases en bases de datos astronómicas.
publishDate 2024
dc.date.none.fl_str_mv 2024-11-20
dc.type.none.fl_str_mv info:eu-repo/semantics/conferenceObject
info:eu-repo/semantics/publishedVersion
Objeto de conferencia
http://purl.org/coar/resource_type/c_5794
info:ar-repo/semantics/documentoDeConferencia
format conferenceObject
status_str publishedVersion
dc.identifier.none.fl_str_mv http://sedici.unlp.edu.ar/handle/10915/173170
url http://sedici.unlp.edu.ar/handle/10915/173170
dc.language.none.fl_str_mv spa
language spa
dc.rights.none.fl_str_mv info:eu-repo/semantics/openAccess
http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
eu_rights_str_mv openAccess
rights_invalid_str_mv http://creativecommons.org/licenses/by-nc-sa/4.0/
Creative Commons Attribution-NonCommercial-ShareAlike 4.0 International (CC BY-NC-SA 4.0)
dc.format.none.fl_str_mv application/pdf
dc.source.none.fl_str_mv reponame:SEDICI (UNLP)
instname:Universidad Nacional de La Plata
instacron:UNLP
reponame_str SEDICI (UNLP)
collection SEDICI (UNLP)
instname_str Universidad Nacional de La Plata
instacron_str UNLP
institution UNLP
repository.name.fl_str_mv SEDICI (UNLP) - Universidad Nacional de La Plata
repository.mail.fl_str_mv alira@sedici.unlp.edu.ar
_version_ 1863367713048494080
score 13.05261

Publicaciones similares