Uma análise de Deep learning aplicado à morfologia de galáxias no Southern Photometric local Universe survey

O uso de redes neurais para a solução de diversos tipos de problemas tem ganhado espaço dentro da comunidade cientifica, visto o seu potencial em aprender, reconhecer e processar padrões gerando respostas precisas. Em especial, muitos estudos mostram uma alta performance em problemas de classificação, assim como este em que apresento neste trabalho. Ainda assim o processo de concepção dessas redes pode ser um pouco frustrante com a etapa de treinamento envolvendo várias medidas para que ocorra de forma suave. Em geral, não existem garantias de que a rede irá aprender o que se espera que ela aprenda, sendo assim o treinamento se torna um processo de muitas tentativas e investigações usando métricas para avaliar o desempenho tanto do treino, quanto da rede já treinada. Nesta tese discuto alguns procedimentos e decisões tomadas na concepção de uma rede neural capaz de classificar galáxias baseado em sua morfologia. Um trabalho que resultou em 164314 galáxias sendo classificadas usando o Data Release 3 do S-SPLUS. Eu também discuto as bases das redes neurais e mecanismos pelos quais essas redes são capazes de aprender. Espero que essa análise das técnicas de deep learning alerte para os cuidados necessários na sua implementação, ao mesmo tempo que destaque seu poder na resolução de problemas variados.