این رساله به بررسی مدل‌های کیهانی و استفاده از روش‌های پیشرفته برای مطالعه‌ی انرژی تاریک و ساختارهای بزرگ مقیاس کیهانی پرداخته است. در فصل اول، مقدمه‌ای بر نسبیت عام و مدل کیهانی ΛCDM ارائه شده و نقش این مدل در توصیف جهان به‌ویژه در مقیاس‌های بزرگ مورد بحث قرار گرفته است. در فصل دوم، مدل‌های مختلف انرژی تاریک که برای توضیح شتاب انبساط جهان پیشنهاد شده‌اند، بررسی شده‌اند. این مدل‌ها شامل تغییراتی در بخش‌های گرانشی و محتوای ماده و انرژی جهان هستند و تلاش دارند که مشاهدات کیهانی را بهتر تفسیر کنند. در فصل سوم، روش‌های مستقل از مدل برای تحلیل داده‌های کیهانی، شامل یادگیری ماشین و روش‌های بیزی معرفی شده‌اند. تمرکز این فصل بر روی دو تکنیک پیشرفته‌ی یادگیری ماشین، یعنی شبکه‌های عصبی و فرآیندهای گاوسی است در این بخش، روش‌های یادگیری ماشین به‌عنوان ابزارهایی برای تحلیل داده‌های کیهانی بدون نیاز به انتخاب مدل خاص مورد استفاده قرار گرفته‌اند که می‌تواند به بینش‌های جدیدی در مطالعه ساختارهای کیهانی منجر شود.در بخش دیگر به پارامتر نرخ رشد ساختارهای کیهانی، معروف به ، می‌پردازیم. این پارامتر در واقع نمایانگر نرخ رشد ساختارهای بزرگ کیهانی است و تحلیل آن از دیدگاه نظری انجام شده است. فصل چهارم به استفاده از شبکه‌های عصبی و فرآیندهای گاوسی برای بازسازی تابع فاصله‌ی درخشندگی و پارامتر هابل با استفاده از داده‌های جدید ابرنواختراختصاص دارد. در این فصل، شبکه‌های عصبی به‌صورت یک مجموعه‌ای از شبکه‌ها با تعداد لایه‌ها و نورون‌های مختلف مورد استفاده قرار گرفته‌اند تا تابع فاصله درخشندگی به‌عنوان تابعی از انتقال به سرخ بازسازی شود. سپس، از این بازسازی‌ها برای محاسبه‌ی پارامتر هابل و مطالعه‌ی نرخ انبساط جهان استفاده شده است. روش فرآیند گاوسی نیز برای تحلیل غیرپارامتری این داده‌ها به کار گرفته شده و با مدل ΛCDM مقایسه شده است. نتایج نشان می‌دهند که هر دو روش شبکه عصبی و فرآیند گاوسی قادر به ارائه بازسازی‌های دقیق هستند و حتی در انتقال به سرخ‌های بالاتر تفاوت‌هایی با مدل ΛCDM دیده می‌شود. در نهایت، این رساله نشان می‌دهد که روش‌های یادگیری ماشین و تحلیل غیرپارامتری می‌توانند به عنوان ابزارهای مؤثری در کیهان‌شناسی برای فهم بهتر ساختار و انبساط کیهانی و انرژی تاریک به کار گرفته شوند و داده‌های کیهانی را بدون وابستگی به مدل خاصی تحلیل کنند.
