Publicación:
Aplicación predictiva de cuerpos, fenómenos y objetos astronómico - espaciales mediante el uso de aprendizaje profundo (DNN, CNN) y visión artificial

dc.contributor.authorAdquinson Farías
dc.date.accessioned2023-12-14T14:03:37Z
dc.date.available2023-12-14T14:03:37Z
dc.date.issued2019-08-14
dc.description.abstractLa astronomía es un área de la investigación que produce grandes volúmenes de datos, un ejemplo de ello es el LSST, que se espera en 2022, pueda llegar a producir hasta 20 TB por noche. Usualmente, para obtener estos datos se usan métodos como la espectroscopia o aquellos basados en fotometría, este último, representa un interés particular debido a que, en la última década, la cantidad y calidad de las imágenes obtenidas del espacio se ha incrementado enormemente. Un ejemplo de ello es la galaxia M33, cuya imagen luego del coloreado RGB ocupa 1.67 GB de almacenamiento. Esto, evidentemente, representa un desafío para los investigadores, pues, no sólo deben lidiar con las limitaciones del almacenamiento, sino que también con el proceso de obtención, procesamiento, clasificación y análisis del cuerpo, fenómeno u objeto astronómico que se encuentre en la imagen. Así pues, esta herramienta se presenta una alternativa para procesar y clasificar los fenómenos, cuerpos y objetos astronómicos mediante el uso de aprendizaje profundo y visón artificial, ya que, al eliminar dos pasos intermedios, el investigador podrá centrarse en las tareas de análisis y estudio
dc.identifier.urihttps://riujap.ujap.edu.ve/handle/123456789/5567
dc.subjectTECNOLOGÍA::Tecnología de la información::Computación::Deep Learning
dc.subjectCIENCIAS NATURALES::Física::Astronomía y astrofísica::Astronomía
dc.subjectCIENCIAS NATURALES::Física::Astronomía y astrofísica
dc.subjectTECNOLOGÍA::Tecnología de la información::Computación::Inteligencia artificial
dc.titleAplicación predictiva de cuerpos, fenómenos y objetos astronómico - espaciales mediante el uso de aprendizaje profundo (DNN, CNN) y visión artificial
dspace.entity.typePublication
local.tgrado.tutorDra. Belkys Araujo
Archivos
Bloque original
Mostrando1 - 1 de 1
Cargando...
Miniatura
Nombre:
COMPU-20192CR-009-Farias_Adquinson_26917102.pdf
Tamaño:
1.97 MB
Formato:
Adobe Portable Document Format
Bloque de licencias
Mostrando1 - 1 de 1
No hay miniatura disponible
Nombre:
license.txt
Tamaño:
1.72 KB
Formato:
Item-specific license agreed to upon submission
Descripción: