Título de la Tesis: "Deep Learning para clasificación de Núcleos Activosde Galaxia por variabilidad".

Resumen:

En la presente era de datos masivos, la astronomía requiere deherramientas automatizadas para el análisis de información asociada alcomportamiento de objetos a lo largo del tiempo. El desarrollo deproyectos de observación sinópticos plantea muchos desafíos en lo querespecta a obtener descripciones relevantes de los aspectos subyacentes demuchos procesos variables en el tiempo.En particular, el estudio de los Núcleos Activos de Galaxia (AGN) resultade especial interés; dado su comportamiento estocástico en el tiempo y lasingular estructura en la variación temporal de su emisiónelectromagnética. El uso de algoritmos de aprendizaje computacional hasido de gran éxito en aspectos de identificación de objetos según sumorfología y análisis espectral; es de mucho valor el replicar esosresultados sobre en el análisis de dominio temporal.Para este trabajo se puso a prueba distintas configuraciones de algoritmosde Deep Learning con el fin de realizar tareas de clasificación de AGN apartir de sus curvas de luz. Los resultados obtenidos mostraron lo crucialque son las características de estas series de tiempo, en particular laregularidad de su muestreo y el número de observaciones, en el desempeñode este tipo de modelo de clasificación; junto con dejar en claro locrucial del manejo de la incertidumbre que implica la ausencia deinformación regular para futuros modelos que deseen realizar esta labor.