PRODUÇÃO ACADÊMICA Repositório Acadêmico da Graduação (RAG) TCC Ciência da Computação
Use este identificador para citar ou linkar para este item: https://repositorio.pucgoias.edu.br/jspui/handle/123456789/9619
Registro completo de metadados
Campo DCValorIdioma
dc.creatorFernandes, Alan Araújopt_BR
dc.date.accessioned2025-12-09T13:15:39Z-
dc.date.available2025-12-09T13:15:39Z-
dc.date.issued2025-12-01-
dc.identifier.urihttps://repositorio.pucgoias.edu.br/jspui/handle/123456789/9619-
dc.languageporpt_BR
dc.publisherPontifícia Universidade Católica de Goiáspt_BR
dc.rightsAcesso Abertopt_BR
dc.subjectInteligência artificialpt_BR
dc.subjectXGBoost-
dc.subjectExoplanetas-
dc.subjectMachine learning-
dc.subjectKepler-
dc.subjectTESS-
dc.titleA inteligência artificial aplicada na exploração espacial modernapt_BR
dc.typeTrabalho de Conclusão de Cursopt_BR
dc.contributor.advisor1Vinhal, Gustavo Siqueirapt_BR
dc.contributor.advisor1Latteshttp://lattes.cnpq.br/5227400971565575pt_BR
dc.contributor.referee1Vieira, Sibelius Lellispt_BR
dc.contributor.referee1Latteshttp://lattes.cnpq.br/0345972428103987pt_BR
dc.contributor.referee2Abadia, Fernando Gonçalvespt_BR
dc.contributor.referee2Latteshttp://lattes.cnpq.br/3382052342707576pt_BR
dc.description.resumoO presente trabalho investiga a aplicação do algoritmo Extreme Gradient Boosting (XGBoost) na classificação binária de exoplanetas, um desafio crucial imposto pelo grande volume de dados gerados pelas missões espaciais. O objetivo central foi implementar e avaliar um modelo de Machine Learning com ênfase na otimização de hiperparâmetros e na comprovação da capacidade de generalização entre os conjuntos de dados distintos das missões Kepler e TESS. A metodologia envolveu a coleta e o pré-processamento de dados de ambas as missões, a seleção de 10 características (features) relevantes e o treinamento do XGBoost, com o ajuste fino de hiperparâmetros por meio da técnica RandomizedSearchCV. Os resultados demonstraram o sucesso da otimização: o modelo otimizado alcançou uma Acurácia de Teste de 84,36% no dataset Kepler, superando modelos que apresentaram subajuste (underfitting) e sobreajuste (overfitting). A generalização foi então comprovada com a aplicação do mesmo modelo no dataset da missão TESS, mantendo um alto desempenho com Acurácia de Teste de 79,75%. Conclui-se que o modelo desenvolvido é uma ferramenta eficiente, robusta e versátil, capaz de modernizar e acelerar o processo de identificação de candidatos a exoplanetas na exploração espacial moderna.pt_BR
dc.publisher.countryBrasilpt_BR
dc.publisher.departmentEscola Politécnicapt_BR
dc.publisher.initialsPUC Goiáspt_BR
dc.subject.cnpqCNPQ::CIENCIAS EXATAS E DA TERRA::CIENCIA DA COMPUTACAOpt_BR
dc.degree.graduationCiências da Computaçãopt_BR
dc.degree.levelGraduaçãopt_BR
Aparece nas coleções:TCC Ciência da Computação

Arquivos associados a este item:
Arquivo TamanhoFormato 
AlanAraujo.pdf1,57 MBAdobe PDFVisualizar/Abrir
Mostrar registro simples do item Visualizar estatísticas


Os itens no repositório estão protegidos por copyright, com todos os direitos reservados, salvo quando é indicado o contrário.

Ferramentas do administrador