Esse projeto aplicando inteligência artificial na Astronomia para Classificação de Astros e Detecção de Novos Exoplanetas
Este projeto tem como objetivo principal aplicar técnicas de Machine Learning e Inteligência Artificial para a classificação de astros e detecção de novos exoplanetas. A metodologia envolverá a utilização de diferentes modelos de Machine Learning, como redes neurais convolucionais e aprendizado não supervisionado. Serão utilizados modelos de aprendizado de máquina, como redes neurais convolucionais e aprendizado não supervisionado, para a análise de dados astronômicos.
Será desenvolvido um modelo de Machine Learning utilizando redes neurais convolucionais para classificar diferentes tipos de astros. Serão utilizados conjuntos de dados astronômicos previamente rotulados, contendo informações sobre as características físicas, espectrais e fotométricas dos astros. O modelo será treinado com esses dados para aprender a reconhecer e classificar astros com base em suas características. Será feita uma validação do modelo utilizando um conjunto de dados de teste para avaliar sua precisão e desempenho.
Utilizando aprendizado não supervisionado, será desenvolvido um modelo para identificar e classificar exoplanetas. Serão utilizados conjuntos de dados astronômicos que contêm informações sobre trânsitos planetários, variações de fluxo estelar e outras características relevantes. O modelo aprenderá a identificar padrões nessas informações e agrupar exoplanetas em diferentes categorias. Será feita uma análise dos resultados e uma comparação com classificações de exoplanetas existentes para validar a eficácia do modelo.
Além da classificação de astros e exoplanetas, o projeto também incluirá a classificação de galáxias e estrelas. Serão utilizados conjuntos de dados astronômicos contendo informações espectrais, morfológicas e fotométricas para treinar modelos de Machine Learning. Esses modelos aprenderão a reconhecer e classificar diferentes tipos de galáxias e estrelas com base em suas características. A precisão e o desempenho dos modelos serão avaliados utilizando conjuntos de dados de teste.
Este projeto tem como objetivo aplicar técnicas de Machine Learning e Inteligência Artificial na área da astronomia, visando a classificação de astros e a detecção de novos exoplanetas. Serão utilizados modelos de aprendizado de máquina, como redes neurais convolucionais e aprendizado não supervisionado, para analisar e processar conjuntos de dados astronômicos. Os resultados obtidos fornecerão informações importantes para a compreensão e exploração do universo. Todos os projetos serão disponibilizados nas pastas "Jupyter Notebook" e "Py", contendo comentários explicativos e documentação detalhada para facilitar o entendimento e a reprodução dos experimentos. O projeto visa tanto o estudo dos conceitos teóricos da área quanto a aplicação prática de técnicas de Inteligência Artificial na astronomia.
-
Melhorar o suporte de navegadores
-
Adicionar mais integrações
Para rodar esse projeto, você vai precisar adicionar as seguintes variáveis de ambiente no seu .env
API_KEY
ANOTHER_API_KEY
conda install pandas
conda install scikitlearn
conda install numpy
conda install scipy
conda install matplotlib
conda install keras
conda install tensorflow-gpu==2.5.0
python==3.6.4
numpy==1.13.3
scipy==1.0.0
matplotlib==2.1.2Instalação do Python É altamente recomendável usar o anaconda para instalar o python. Clique aqui para ir para a página de download do Anaconda https://www.anaconda.com/download. Certifique-se de baixar a versão Python 3.6. Se você estiver em uma máquina Windows: Abra o executável após a conclusão do download e siga as instruções.
Assim que a instalação for concluída, abra o prompt do Anaconda no menu iniciar. Isso abrirá um terminal com o python ativado. Se você estiver em uma máquina Linux: Abra um terminal e navegue até o diretório onde o Anaconda foi baixado. Altere a permissão para o arquivo baixado para que ele possa ser executado. Portanto, se o nome do arquivo baixado for Anaconda3-5.1.0-Linux-x86_64.sh, use o seguinte comando: chmod a x Anaconda3-5.1.0-Linux-x86_64.sh.
Agora execute o script de instalação usando.
Depois de instalar o python, crie um novo ambiente python com todos os requisitos usando o seguinte comando
conda env create -f environment.ymlApós a configuração do novo ambiente, ative-o usando (windows)
activate "Nome do projeto"ou se você estiver em uma máquina Linux
source "Nome do projeto" Agora que temos nosso ambiente Python todo configurado, podemos começar a trabalhar nas atribuições. Para fazer isso, navegue até o diretório onde as atribuições foram instaladas e inicie o notebook jupyter a partir do terminal usando o comando
jupyter notebookimport Component from 'my-project'
function App() {
return <Component />
}Machine learning: Python, R
Framework: Scikit-learn, Tensorflow, Keras
Análise de dados: Python
Rede neural convolucional: Classifição de imagens
Aprendizagem não supervisionada: Clusterização
Que melhorias você fez no seu código? Ex: refatorações, melhorias de performance, acessibilidade, etc