Automated algorithms for spectroscopic classification of stars and applications to APOGEE

Description

Abstract......Page 1 Spectroscopy......Page 13 Chemical evolution of the Galaxy......Page 16 APOGEE data: spectra and abundances......Page 19 Machine learning algorithms......Page 21 Grouping criteria......Page 23 Organization of the Thesis......Page 25 Introduction......Page 27 K-means clustering......Page 28 ASPCAP data with the stellar parameters......Page 29 Defining the number of clusters......Page 30 Repeatability of the classification......Page 34 Choosing the best classification......Page 35 Results......Page 36 Main results......Page 42 Uses of the classification......Page 45 Additional issues......Page 46 Conclusions......Page 47 Introduction......Page 49 Data......Page 50 Cluster distinguishability through their chemical abundances......Page 51 Clustering algorithms......Page 56 Scalers......Page 58 Results of the clustering algorithms......Page 61 Defining the number of clusters......Page 65 Conclusions......Page 67 Data......Page 69 The crowding problem......Page 70 t-SNE......Page 76 DBSCAN on t-SNE......Page 78 Cluster Families......Page 79 Sagittarius stream......Page 80 Conclusions......Page 84 Conclusions......Page 87 Gap statistics......Page 95 Silhouette score......Page 96 Hint to repeatability index interpretation......Page 97 Classes details and online material......Page 98 G1: Metal poor cool RGB......Page 105 G2: Warm Stars......Page 107 G4: Metal-rich cool RGB......Page 108 G5: Metal-poor RC/warm RGB......Page 109 G6: Dwarfs stars......Page 110 G7: Sparse classes......Page 112 G8: Minor classes......Page 116