Granitto, Pablo2021-09-062021-09-062019-03http://hdl.handle.net/2133/21935El desarrollo de modernos telescopios terrestres y satelitales ha impulsado la realización de grandes relevamientos astronómicos, los cuales a su vez han generando un crecimiento gigantesco en la cantidad y calidad de datos a ser procesados, almacenados y analizados. Ante esta situación las técnicas de minería de datos y aprendizaje automático han empezado a jugar un rol importante en el resumen y presentación de la información para astrónomos. La presente tesis tiene como objetivo la clasificación de fuentes astronómicas y detección de errores observacionales en el moderno relevamiento astronómico Vista Variables in the Via Lactea (VVV), comenzando por introducir conceptos elementales, sobre astronomía, aprendizaje automatizado y minería de datos que serán utilizados frecuentemente durante todo el trabajo. A continuación, se presenta una exposición de los datos del relevamiento astronómico VVV junto con la descripción del pre-procesamiento necesario para la utilización de estas técnicas automáticas; seguido de la presentación del diseño teórico e implementación de dos herramientas necesarias para el procesamiento de datos descriptos en el capítulo anterior. Los dos capítulos siguientes encaran primero la problemática de la clasificación de fuentes astronómicas en general y estrellas variables en particular frente al gran desbalance de observaciones existente en relevamiento; mientras que el segundo se enfoca en la detección automática de errores observacionales dentro los datos relevados. Finalmente, se exponen las conclusiones y se discuten ideas de trabajo a futuro para continuar con las líneas de estudio dentro del VVV, así como futuros relevamientos astronómicos.application/pdfspaopenAccessAnálisis de datosRecopilación de datosInformáticaAstrofísicaMinería de datosVista variables in the Vía LácteadoctoralThesisCabral, Juan BautistaAtribución – No Comercial – Sin Obra Derivada (by-nc-nd): No se permite un uso comercial de LA OBRA original ni la generación de obras derivadas.