Please use this identifier to cite or link to this item:
https://repositorio.ufu.br/handle/123456789/26385
ORCID: | http://orcid.org/0000-0002-3654-7839 |
Document type: | Trabalho de Conclusão de Curso |
Access type: | Acesso Aberto |
Title: | Classificador LGBM aplicado na resolução do Desafio Plasticc do Telescópio LSST |
Author: | Freitas Junior, Márcio Antônio de |
First Advisor: | Albertini, Marcelo Keese |
First member of the Committee: | Backes, André Ricardo |
Second member of the Committee: | Carneiro, Murillo Guimarães |
Summary: | Em 2019 será construído o telescópio Large Synoptic Survey Telescope (LSST) que irá revolucionar a identificação de fontes astronômicas. Esse telescópio irá descobrir de 10 a 100 vezes mais objetos do que jamais foi descoberto, possivelmente incluindo classes de objetos ainda desconhecidos pela astronomia. Diante do volume de dados que serão gerados, algoritmos capazes de identificar e ordenar os objetos observados são cruciais. Para desenvolverem tais algoritmos, O LSST Corporation em conjunto com equipes de pesquisadores criaram o The Photometric LSST Astronomical Time-Series Classification Challenge(PLAsTiCC)comointuitodeobtercolaboraçãodacomunidadededatascience e machine learning. Dito isso, esse trabalho de conclusão de curso constrói um modelo classificador para solucionar o problema proposto pelo PLAsTiCC. TalclassificadorempregaoalgoritmoLightGradientBoostingModel (LGBM)eexecutaas etapas de aprendizado e classificação sobre características extraídas do conjunto de dados fornecidos pela competição. Esses dados são simulações criadas a partir de observações astronômicas reais designadas a simular os dados reais que serão produzidos pelo LSST. As predições do classificador atingiram a pontuação de 1,651 calculada pela competição através de uma logarithmic loss function e, se submetido dentro do prazo da competição, alcançaria a 704a colocação dentre as predições dos 1094 times participantes. Futuramente, se forem aplicados mais alguns métodos de pré-processamento e extração de características como, por exemplo, executar uma interpolação das observações de cada objeto e contar a quantidade de mínimos locais, e testar outros algoritmos classificadores, como as redes neurais artificiais, a possibilidade de alcançar boas colocações é muito alta |
Keywords: | Machine learning Classificação LSST PLAsTiCC Séries temporais |
Area (s) of CNPq: | CNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAO |
Language: | por |
Country: | Brasil |
Publisher: | Universidade Federal de Uberlândia |
Quote: | FREITAS JUNIOR, Márcio Antônio de. Classificador LGBM aplicado na resolução do Desafio PLAsTiCC do Telescópio LSST. 2019. 69 f. Trabalho de Conclusão de Curso (Graduação em Ciência da Computação) – Universidade Federal de Uberlândia, Uberlândia, 2019. |
URI: | https://repositorio.ufu.br/handle/123456789/26385 |
Date of defense: | 12-Jul-2019 |
Appears in Collections: | TCC - Ciência da Computação |
Files in This Item:
File | Description | Size | Format | |
---|---|---|---|---|
ClassificadorLGBMAplicado.pdf | 2.94 MB | Adobe PDF | View/Open |
Items in DSpace are protected by copyright, with all rights reserved, unless otherwise indicated.