Cloudová platforma pro aktivní učení astronomických spekter
Cloud-Based Platform for Active Learning of Astronomical Spectra
Typ dokumentu
bakalářská prácebachelor thesis
Autor
Tomáš Mazel
Vedoucí práce
Škoda Petr
Oponent práce
Šimeček Ivan
Studijní obor
Webové a softwarové inženýrstvíStudijní program
InformatikaInstituce přidělující hodnost
katedra softwarového inženýrstvíPráva
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.htmlVysokoškolská 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
Metadata
Zobrazit celý záznamAbstrakt
Cílem této práce je poskytnout uživatelům VO-CLOUD systému možnost použít aktivní učení pro klasifikaci astronomických objektů na základě jejich spektrálních vlastností. V rámci systému VO-CLOUD bylo vytvořeno webové rozhraní, kde uživatelé mohou aplikovat aktivní učení s využitím konvoluční neuronové sítě se zvolenými parametry. Program umožňuje vytvořit iniciální trénovací soubor a následně v jednotlivých iteracích uživateli předkládá sadu spekter, u nichž si byl klasifikační algoritmus neuronové sítě nejméně jistý, k manuální klasifikaci. Spolu s grafy původních i předzpracovaných spekter jsou uživateli zobrazována i jím zvolená metadata zahrnující údaje o daném astronomickém objektu a technické údaje o daném spektru. Výsledky klasifikace je možno spolu s poznámkami uložit do textového souboru a Elasticsearch databáze. Tato nově vytvořená databáze obsahuje základní údaje o řádově milionech spekter z projektu LAMOST (Large Sky Area Multi-Object Fibre Spectroscopic Telescope) i ondřejovské kolekce. V každé iteraci je rovněž vyhodnocena úspěšnost klasifikačního algoritmu. V případě, že přesáhne zvolenou hodnotu, tj. v případě, že parametry neuronové sítě jsou již dostatečně optimalizovány, je možno aktivní učení ukončit a zobrazit nalezené zajímavé objekty z vybraných klasifikačních tříd. Uživatelé VO-CLOUD systému budou mít nyní možnost interaktivně klasifikovat astronomické objekty pomocí algoritmů aktivního učení. The aim of this work is to provide VO-CLOUD system users the option to use active learning methods to classify astronomical objects based on their spectral properties. A web-based interface integrated into the VO-CLOUD system has been designed allowing users to apply active learning algorithms with user-defined parameters using an underlying convolutional neural network. The software allows to create the initial training set and then in iterations presents a set of spectra where the classification algorithm had the highest uncertainty for manual classification by the user. Along with the graphs of the original and preprocessed spectra, the user is presented with preselected set of metadata including information about the astronomical object and technical information about the displayed spectra. Classification results together with comments may be saved in a text file and an Elasticsearch database. This newly created database contains basic information about millions of spectra from the LAMOST (Large Sky Area Multi-Object Fibre Spectroscopic Telescope) project, as well as the Ondřejov collection. In each iteration the performance of the classification algorithm is evaluated and, in case it reaches a predefined value, i.e. in case the parameters of the neural network are sufficiently optimized, the active learning process may be stopped and objects belonging to classification classes of interest may be displayed. In summary, VO-CLOUD users will now have the possibility to interactively (re)classify astronomical objects using active learning algorithms.
Kolekce
- Bakalářské práce - 18102 [1608]