Hluboké učení ve velkých archívech astronomických spekter
Deep Learning in Large Astronomical Spectra Archives
dc.contributor.advisor | Škoda Petr | |
dc.contributor.author | Podsztavek Ondřej | |
dc.date.accessioned | 2017-06-07T16:01:18Z | |
dc.date.available | 2017-06-07T16:01:18Z | |
dc.date.issued | 2017-05-15 | |
dc.identifier | KOS-587865280905 | |
dc.identifier.uri | http://hdl.handle.net/10467/69666 | |
dc.description.abstract | Velké astronomické archívy, jako například spektrální archív LAMOST, obsahují řadu skrytých informací. Hluboké učení je jednou z nejpopulárnějších dnes používaných metod pro získávání znalostí z tohoto druhu dat. Tato práce popisuje proces hledání spekter s emisními čarami v archívu LAMOST za použití hluboké konvoluční neuronové sítě naučené na datech z ondřejovského 2m teleskopu. Práce popisuje několik metod jako je předzpracování spekter, doménová adaptace ondřejovských dat na rozlišení archívu LAMOST, redukce dimenzionality, návrh a učení dvou neuronových sítí. V závěru práce je diskuze objevených objektů se zajímavou fyzikální podstatou, které vyžadují další detailní analýzu. | cze |
dc.description.abstract | Large astronomical archives, as for example LAMOST spectral archive, contain plenty of hidden information. Deep learning is currently very popular method used to gain knowledge from this kind of data. This work shows the process of finding emission-line spectra in LAMOST archive using deep convolutional neural network trained on data from Ondřejov 2m telescope. Overview of several techniques as spectra preprocessing, domain adaptation of Ondřejov data to LAMOST resolution, dimensionality reduction, architecture and training of two deep neural networks are presented. Finally, discovered objects with interesting physical nature deserving further detailed analysis are discussed. | eng |
dc.language.iso | ENG | |
dc.publisher | České vysoké učení technické v Praze. Vypočetní a informační centrum. | cze |
dc.publisher | Czech Technical University in Prague. Computing and Information Centre. | eng |
dc.rights | A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.html | eng |
dc.rights | Vysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html | cze |
dc.subject | hluboké učení, neuronové sítě, redukce dimenzionality, doménová adaptace, astroinformatika, astronomie, LAMOST, TensorFlow | cze |
dc.subject | deep learning, neural networks, dimensionality reduction, domain adaptation, astroinformatics, astronomy, LAMOST, TensorFlow | eng |
dc.title | Hluboké učení ve velkých archívech astronomických spekter | cze |
dc.title | Deep Learning in Large Astronomical Spectra Archives | eng |
dc.type | bakalářská práce | cze |
dc.type | bachelor thesis | eng |
dc.date.accepted | ||
dc.contributor.referee | Šimeček Ivan | |
theses.degree.discipline | Teoretická informatika | cze |
theses.degree.grantor | katedra teoretické informatiky | cze |
theses.degree.programme | Informatika | cze |
Soubory tohoto záznamu
Tento záznam se objevuje v následujících kolekcích
-
Bakalářské práce - 18101 [337]