Opitz , DanielaAsahi, TakeshiFernández Zenteno, Jorge Adrián2023-10-022023-10-022023https://repositorio.udd.cl/handle/11447/7981Capstone project presentado a la Facultad de Ingeniería de la Universidad del Desarrollo para optar al grado académico de Magíster en Data ScienceEn este trabajo estudiamos métodos de aprendizaje de máquina para identificar clústeres globulares del cúmulo de galaxias de Virgo, centrado en la Galaxia Messier 87 (también conocida como M87, Virgo A o NGC 4486), en el corazón de la región de Virgo, utilizando información magnitud en las bandas visible e infrarroja y la posición obtenida de los catálogos fotométricos denominado Next Generation Virgo Survey (NGVS) y Next Generation Virgo Survey- Infrarrojo (NGVS-IR). Estos catálogos contienen información de más de 300 mil objetos celestes entre estrellas, galaxias y cúmulos. Los cúmulos globulares son grupos de estrellas muy densamente pobladas y están ubicados en el halo de las galaxias. Suelen tener colores y brillos muy similares entre sí, ya que están compuestos por estrellas de edad y tipo espectral similares. Los cúmulos globulares suelen representarse en “diagrama color-color gz-K”, los cuales permiten comparar el brillo de los objetos estelar en distintas longitudes de onda y permiten entender sus características y clasificarlos según su estructura y composición estelar. En este trabajo proponemos combinar datos de fotometría en el espectro óptico e infrarrojo con algoritmos de machine learning no supervisados para distinguir cúmulos globulares.42 p.es070037SClúster de estrellasGalaxiasClústeres globularesCúmulos de estrellasAstronomíaInvestigaciónThesis