XLIII. IMPLEMENTACIÓN DE TÉCNICAS DE MACHINE LEARNING EN LA EDUCACIÓN SUPERIOR
##plugins.themes.bootstrap3.article.sidebar##
views: 36 |
downloads: 153
##plugins.themes.bootstrap3.article.main##
Résumé
La conjoncture mondiale provoquée par le COVID-19 nous a amenés à repenser nos méthodes d'enseignement. les méthodes d'enseignement. L'enseignement supérieur n'est pas étranger à cette transformation et, par conséquent, les enseignants et les chercheurs ont mis en œuvre de nouvelles techniques et méthodologies dans nos méthodes d'enseignement. et les chercheurs ont mis en œuvre de nouvelles techniques et méthodologies dans nos projets. projets. Dans le domaine de l'astronomie, les algorithmes d'apprentissage automatique sont de plus en plus populaires en raison de leur polyvalence et de leur grande flexibilité. Les algorithmes d'apprentissage automatique gagnent du terrain dans le domaine de l'astronomie en raison de leur polyvalence et de leur pouvoir prédictif élevé, qui résulte de la mise en œuvre de ces algorithmes. à de grands ensembles de données. Il y a plusieurs projets que j'ai mis en œuvre avec mes étudiants : le premier explore le potentiel des réseaux neuronaux pour améliorer l'estimation des réseaux neuronaux pour améliorer l'estimation de certains paramètres cosmologiques du modèle standard ΛCDM. modèle standard ΛCDM. La seconde utilise un algorithme non supervisé de type K-means pour classifier
quasars (objets très lumineux et distants), sur la base de différentes propriétés physiques observées par le SDSS (Slope observées par le SDSS (Sloan Digital Sky Survey) lors des campagnes 12 et 14. les spectres de trous noirs puissants à des décalages vers le rouge élevés, et d'autres propriétés physiques détectées par la sonde Sloan détectés par le Sloan, nous générons une classification des quasars qui présentent certaines lignes d'absorption. les lignes d'absorption.
L'objectif principal de ce travail est de montrer l'impact de la mise en œuvre de techniques modernes d'apprentissage automatique dans le domaine de la santé. des techniques modernes d'apprentissage automatique dans des projets de recherche avec des étudiants en ingénierie et les perspectives de ces projets à l'avenir. étudiants en ingénierie et les perspectives de ces projets dans d'autres disciplines.
Download Statistics
##plugins.themes.bootstrap3.article.details##
apprentissage automatique, apprentissage profond, enseignement supérieur, réseaux neuronaux
https://openai.com/blog/ai-and-compute/. 2019.
M. Ntampaka, C. Avestru, et al. Astro2020 Science White Paper: The Role of Machine
Learning in the Next Decade of Cosmology, arXiv:1902.10159v1
S. Dodelson. Modern Cosmology, Academic Press, Elsevier Science, 2003
S. Ravanbakhs, J. Oliva, et al. Estimating Cosmological Parameters from the Dark Matter
Distribution, arXiv:1711.02033v1
S. Pan, M. Liu, et al. Cosmological Parameter Estimation From Large-scale Structure Deep
Learning, Aceptado en ApJ. arXiv:1908.10590v4
J. H. T. Yip, X. Zhang, et al. From Dark Matter to Galaxies with Convolutional Neural
Networks, Second Workshop on Machine Learning and the Physical Sciences
(NeurIPS 2019), arXiv:1910.07813v1.
Siyu He, Y. Li, et al. “Learning to Predict the Cosmological Structure Formation”, PNAS,
vol. 116, 28, 1–8, 2019.
J. Zamudio-Fernandez, A. Okan, et al. Higan: Cosmic Neutral Hydrogen With Generative
Adversarial Networks, arXiv:1904.12846v1.
E. Giusarma, M. R. Hurtado, et al. “Learning Neutrino Effects Cosmology With
Convolutional Neural Networks”, arXiv:1910.04255v1.
Z. Guo, P. Martini. Classification of Broad Absorption Line Quasars with a Convolutional
Neural Network. The Astrophysical Journal, vol 879, issue 2, 72, 12, 2019.
S. Skillman, M. Warren, M. Turk, et al. Dark Sky Simulations: Early Data Release.
arXiv:1407.2600.
M. S. Warren. 2HOT: An Improved Parallel Hashed Oct-Tree N-Body Algorithm for
Cosmological Simulation. arXiv:1310.4502.
L. A. García, E. Tescari, et al. Theoretical study of an LAE – CIV absorption pair at z = 5.7,
Monthly Notices of the Royal Astronomical Society: Letters, vol. 469, issue 1, pp.
L53-L57, 2017.
L. A. García, E. Tescari, et al. Simulated metal and HI absorption lines at the conclusion of
Reionization, Monthly Notices of the Royal Astronomical Society, vol. 470, issue 2,
pp. 2494-2509, 2017.
L. A. García, E. V. Ryan-Weber. Can UVB variations reconcile simulated quasar absorption
lines at high redshift? Revista Mexicana de Astronomía y Astrofísica, vol. 56, pp. 97-
111, 2020.
P. A. R. Ade et al. Planck 2015 results. XIII. Cosmological parameters, arXiv:1502.01589.
N. Aghanim et al. Planck 2018 results. VI. Cosmological parameters, arXiv:1807.06209.
Y. LeCun, L.D. Jackel, B. Boser, et al. Handwritten Digit Recognition: Applications of
Neural Net Chips and Automatic Learning. IEEE Communication, pp. 41-46, 1989.
D. E. Rumelhart, G. E. Hinton, J. L. McClelland. A general framework for parallel distributed
processing. vol 1: Foundations pp. 45–76, 1986.
L. Deng, D. Yu. Deep Learning: Methods and Applications. NOW Publishers, 2014.
I. Goodfellow, Y. Bengio, A. Courville. Deep Learning. MIT Press,
http://www.deeplearningbook.org, 2016.
D. Osinga. Deep Learning Cookbook: Practical Recipes to Get Started Quickly. O'Reilly
Media, Inc., 2018.
H. Fathivavsari. Deep Learning Prediction of Quasars Broad Ly alpha Emission Line.
arXiv:2006.05124v1
V. de Sainte Agathe, C. Balland, Hélion et al. Baryon acoustic oscillations at z = 2.34 from
the correlations of Ly alpha absorption in eBOSS DR14. Astronomy & Astrophysics,
629, A85, 2019