Дослідження та розробка моделі машинного навчання для автоматичної класифікації космічних об'єктів на основі фотометричних спостережень SDSS

Скорочена інформація про документ
dc.contributor.advisorБарановська, Леся Валеріївна
dc.contributor.authorДолгополова, Катерина Олексіївна
dc.date.accessioned2024-11-18T09:23:52Z
dc.date.available2024-11-18T09:23:52Z
dc.date.issued2024
dc.description.abstractДипломна робота: 108 с., 12 табл., 29 рис., 3 додатки, 20 джерел. Об’єкт дослідження – фотометричні дані космічних об'єктів в рамках огляду Слоанівського цифрового огляду неба (SDSS). Предмет дослідження – алгоритми машинного навчання, зокрема випадковий ліс, класифікатор додаткових дерев, екстремальне градієнтне підсилювання, методи k-найближчих сусідів та опорних векторів, застосовані до фотометричних даних космічних об'єктів. Мета роботи – провести аналіз та порівняння результатів отриманих моделей для класифікації космічних об'єктів на основі фотометричних спостережень Слоанівського цифрового огляду неба. Методи дослідження – використання алгоритмів машинного навчання та аналізу даних. Актуальність – вирішення задачі класифікації космічних об'єктів на основі фотометричних спостережень Слоанівського цифрового огляду неба. Результати роботи – програмний продукт, на основі алгоритмів машинного навчання для класифікації космічних об'єктів на основі фотометричних спостережень Слоанівського цифрового огляду неба. Шляхи подальшого розвитку предмету дослідження – комбінація різних параметрів для створення кращого набору даних та пошук нової інформації, що може зменшити похибку прогнозування. Створення повноцінного програмного продукту з використанням графічного інтерфейсу для зручного використання програми іншими користувачами.
dc.description.abstractotherDiploma thesis: 108 p., 12 tabl., 29 fig., 3 appendices, 20 references. Object of research – photometric data of celestial objects within the Sloan Digital Sky Survey (SDSS). Subject of study – machine-learning algorithms, specifically Random Forest, Extra-Trees Classifier, Extreme Gradient Boosting, k-Nearest Neighbors, and Support Vector Machine, applied to photometric data of celestial objects. Purpose of study – to analyze and compare the results of the obtained models for the classification of celestial objects based on photometric observations from the Sloan Digital Sky Survey. Research methods – using machine learning and data analysis algorithms. Relevance – addressing the problem of classifying celestial objects based on photometric observations from the Sloan Digital Sky Survey. Results – a software product based on machine learning algorithms for the classification of celestial objects based on photometric observations from the Sloan Digital Sky Survey. Ways to further develop the subject of research – combining different parameters to create a better data set and searching for new information that can reduce the forecasting error. Creating a full-fledged software product using a graphical interface for easy use by other users.
dc.format.extent108 с.
dc.identifier.citationДолгополова, К. О. Дослідження та розробка моделі машинного навчання для автоматичної класифікації космічних об'єктів на основі фотометричних спостережень SDSS : дипломна робота ... бакалавра : 124 Системний аналіз / Долгополова Катерина Олексіївна. - Київ, 2024. - 108 с.
dc.identifier.urihttps://ela.kpi.ua/handle/123456789/70647
dc.language.isouk
dc.publisherКПІ ім. Ігоря Сікорського
dc.publisher.placeКиїв
dc.subjectкласифікація
dc.subjectштучний інтелект
dc.subjectмашинне навчання
dc.subjectаналіз даних
dc.subjectкосмос
dc.subjectфотометрія
dc.subjectclassification
dc.subjectartificial intelligence
dc.subjectmachine learning
dc.subjectdata analysis
dc.subjectspace
dc.subjectphotometry
dc.titleДослідження та розробка моделі машинного навчання для автоматичної класифікації космічних об'єктів на основі фотометричних спостережень SDSS
dc.typeBachelor Thesis

Файли

Контейнер файлів
Зараз показуємо 1 - 1 з 1
Ескіз
Назва:
Dolhopolova_bakalavr.pdf
Розмір:
4.59 MB
Формат:
Adobe Portable Document Format
Завантажити
Ліцензійна угода
Зараз показуємо 1 - 1 з 1
Ескіз недоступний
Назва:
license.txt
Розмір:
8.98 KB
Формат:
Item-specific license agreed upon to submission
Опис:
Завантажити

Зібрання

Бакалаврські роботи (ММСА)
Бакалаврські роботи