Expositor: Claudio Lopez (ICATE, CONICET-UNSJ)

Date: viernes 10 de mayo, 11 hs.

Abstract: El aprendizaje automático (Machine Learning, ML) ha surgido como una herramienta indispensable en el campo de la astronomía, permitiendo profundizar la exploración y análisis del universo con una precisión cada vez más eficiente. Dos pilares fundamentales del ML aplicado a la astronomía son: las métricas de evaluación y las distribuciones de probabilidad. La importancia de las métricas adecuadas para evaluar los modelos de ML es crítica, ya que proporcionan el criterio según el cual se pueden medir y comparar los resultados experimentales. El ML se utiliza para estimar propiedades galácticas, tales como redshifts fotométricos y masas estelares, destacando la necesidad de métricas precisas que capturen la precisión y la confiabilidad de estas estimaciones. En este sentido, las distribuciones de probabilidad permiten el refinamiento de estas estimaciones, filtrando y refinando los resultados, proporcionando estimaciones más confiables y robustas.