Resumo
O universo é composto de galáxias que apresentam variadas formas. Uma vez determinada a estrutura de uma galáxia, é possível obter informações importantes desde sua formação até sua evolução. A classificação morfológica é a catalogação de galáxias de acordo com a sua aparência visual e a classificação está ligada com as propriedades físicas da galáxia. Uma classificação morfológica feita através de inspeção visual está sujeita a um viés causado pela subjetividade da observação humana. Por isso, a classificação sistemática, objetiva e facilmente reproduzível de galáxias vem ganhando importância desde quando o astrônomo Edwin Hubble criou seu famoso método de classificação. Neste trabalho, nós combinamos classificações visuais acuradas do projeto Galaxy Zoo com métodos de \emph{Deep Learning}. O objetivo é encontrar uma técnica eficiente que consiga simular a classificação visual humana, mas de forma sistematizada e automática, para classificação de galáxias elípticas e espirais. Para isto, um modelo de rede neural foi criado através de um Ensemble de outros quatro modelos convolucionais, possibilitando uma maior acurácia na classificação do que o que seria obtido com qualquer um individualmente. Detalhes dos modelos individuais e melhorias feitas nestes também são descritas. O presente trabalho é totalmente baseado na análise de imagens (não tabelas de parâmetros) do DR1 (www.datalab.noao.edu) do Southern Photometric Local Universe Survey (S-PLUS). Em termos de classificação, alcançamos, com o Ensemble, uma precisão de $\approx 99 \%$ na amostra de teste (usando redes pre-treinadas).