Defesa de dissertação (10/12/2020): Raphael Correia de Souza Fialho

Resumo: Na Astronomia tem se tornado comum o uso de algoritmos de aprendizagem de máquina durante o processo de captura e análise de eventos astronômicos. Devido à quantidade atual de dados capturados pelos telescopios e antenas em levantamentos astronômicos, esses dados costumam ser armazenados, catalogados e transformados para análises e estudos posteriores. Um tipo particular de análise feita sobre esses dados é a deteção do redshift fotométrico, medida que está relacionada ao quão distante um objeto (galáxia ou quasar) se encontra em relação a um determinado ponto de referência. Uma característica relevante dos conjuntos de dados relativos a estudos sobre redshift fotométrico é que cada entrada apresenta não apenas as medições realizadas para um determinado objeto, mas tambem um valor de erro correspondente a cada medição. Nesta dissertação estudamos a construção de modelos de predição para redshift fotométrico por meio de algoritmos de aprendizado de máquina. Damos foco ao uso de redes neurais artificiais. Nosso objetivo é investigar de que forma esses modelos se comportam em cenários em que a informação sobre erros das medições são considerados ou ignorados durante a etapa de aprendizado. Em particular, propomos uma técnica de treinamento que almeja tirar proveito dos valores de erro. Realizamos experimentos computacionais comparativos para avaliar a efetividade da técnica proposta.