Principios de Machine Learning en la Astronomía
Hoy en día, la gran cantidad de datos astronómicos disponibles para ser procesados ha superado con creces la capacidad de trabajo de profesionales y aficionados. Como alternativa, se ha utilizado al Entrenamiento de Máquinas (Machine Learning) como método eficiente para analizar un gran volumen de información y encontrar patrones característicos en los fenómenos estudiados. En este curso, se brindarán herramientas fundamentales para que estudiantes y profesionales en áreas de ciencias e ingeniería, sin conocimiento previo en Machine Learning, puedan explorar y analizar un conjunto considerable de datos de manera automática. Esto con el fin de clasificar fuentes astronómicas a partir de información fotométrica o espectrosópica que define el espacio de parámetros, empleando catálogos actualmente disponibles.
A través de 7 sesiones, se invitará al estudiante a realizar prácticas de programación en donde tendrá la oportunidad de manipular bases de datos de sondeos de última generación para su procesamiento y búsqueda de parámetros particulares definidos por el usuario. Todas las clases irán acompañadas de una pequeña introducción teórica con los conceptos necesarios para contextualizar el problema a resolver. Al finalizar, el estudiante podrá desarrollar un proyecto final que aplique todo el conocimiento adquirido, y así impulsar sus habilidades en la solución de problemas científicos y análisis de resultados que podrá aplicar en áreas afines de las ciencias naturales.
Dirigido a
Este curso está dirigido a profesionales en áreas de ciencias o ingenierías, con interés en la astronomía observacional. No se requiere conocimiento previo en astronomía y machine learning, pero sí en matemáticas, física y programación básica.
Objetivos
Al finalizar el curso, el estudiante tendrá la capacidad de utilizar herramientas fundamentales de Machine Learning en Python para la manipulación y análisis de grandes volúmenes de datos astronómicos disponibles. Así mismo, comprenderá los diferentes métodos que pueden aplicarse para el procesamiento de datos de tal manera que, a partir de un conjunto de parámetros de entrada, se pueda construir una máquina que pueda predecir de manera precisa un conjunto de parámetros de salida. Todo esto irá acompañado de adquirir habilidades para la discusión de resultados desde un enfoque científico.
Metodología
El curso se llevará a cabo de manera virtual en su totalidad. En todas las sesiones se brindará una breve introducción teórica del tema a tratar acompañado con una sesión práctica en computador en donde se busca solucionar problemas astronómicos a partir de datos reales que el estudiante podrá procesar, visualizar y analizar. Con esto, se podrá generar un ambiente dinámico y proactivo en donde se discutirán los resultados obtenidos en la caracterización del fenómeno en estudio. Esto permitirá despertar no sóolo el interés sino también la curiosidad científica en el estudiante que a futuro buscará una formación más profunda en la astronomía.
Contenido
1. Conceptos fundamentales de Machine Learning y uso de Python en la manipulación de datos astronómicos.
2. Ejemplos básicos de aplicación de Machine Learning
- Métodos supervisados y no supervisados.
- Tipos de variables y selección de muestra de entrenamiento.
- Implementación de métodos: Decision Tree (DT) y Random Forest (RF).
- Matriz de confusión.
3. Caso de aplicación 1: Clasificación de galaxias usando el catálogo del Sloan Digital Sky Survey.
4. Caso de aplicación 2: Clasificación de Supernovas Tipo 1a mediante espectroscopía.
5. Caso de aplicación 3: Detección de cúmulos de estrellas mediante información de abundancias químicas.
6. Caso de aplicación 4: Análisis de datos fotométricos a partir del catálogo de Gaia.
7. Caso de aplicación 5: Derivar características de curvas de luz usando el Catalina Real-Time Survey (CRTS).
8. Proyecto de curso
Profesores
Condiciones
Eventualmente la Universidad puede verse obligada, por causas de fuerza mayor a cambiar sus profesores o cancelar el programa. En este caso el participante podrá optar por la devolución de su dinero o reinvertirlo en otro curso de Educación Continua que se ofrezca en ese momento, asumiendo la diferencia si la hubiere.
La apertura y desarrollo del programa estará sujeto al número de inscritos. El Departamento/Facultad (Unidad académica que ofrece el curso) de la Universidad de los Andes se reserva el derecho de admisión dependiendo del perfil académico de los aspirantes.
