Analysis of experimental data in plasma physics - NEVF176

• Title: Experimentální analýza dat ve fyzice plazmatu
• Guaranteed by: Department of Surface and Plasma Science (32-KFPP)
• Faculty: Faculty of Mathematics and Physics
• Actual: from 2024
• Semester: summer
• E-Credits: 3
• Hours per week, examination: summer s.:0/2, C [HT]
• Capacity: unlimited
• Min. number of students: unlimited
• 4EU+: no
• Virtual mobility / capacity: no
• State of the course: taught
• Language: Czech, English
• Teaching methods: full-time
• Guarantor: Mgr. Jakub Seidl, Ph.D.; Ing. Matěj Tomeš, M.Sc., Ph.D.
• Teacher(s): Mgr. Jakub Seidl, Ph.D.

Annotation

English

The goal of the course is to provide students with the opportunity to gain practical experience by solving projects in the field of "data science". Several tasks focused on the analysis of data measured in fusion experiments with magnetic confinement of plasma using various diagnostic systems (microwaves, visible spectroscopy, infrared cameras, electrical probes, etc.) give students the chance to try the application of Bayesian approach, neural networks, and computations on graphics cards to obtain the required information about the plasma state.

Last update: Pavlů Jiří, doc. RNDr., Ph.D. (09.05.2024)

Czech

Cílem předmětu je poskytnout studentům možnost získat praktické zkušenosti řešením projektů z oblasti “data science”. Několik úloh zaměřených na analýzu dat měřených ve fúzních experimentech s magnetickým udržením plazmatu pomocí různých diagnostických systémů (mikrovlny, viditelná spektroskopie, infrakamery, elektrické sondy atd.) poskytují studentům možnost vyzkoušet si aplikaci Bayesovského přístupu, neuronových sítí a výpočtů na grafických kartách pro získání požadovaných informací o stavu plazmatu. Dále pak seznámení se s výhodami propojování dopředných a zpětných modelů.

Last update: Pavlů Jiří, doc. RNDr., Ph.D. (25.04.2024)

Course completion requirements

Vypracování zápočtových projektů - aplikace analýzy dat

Last update: Pavlů Jiří, doc. RNDr., Ph.D. (25.04.2024)

Literature

English

[1] Bishop, C. Pattern Recognition and Machine Learning, Springer, New York, 2007.

[2] I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, The MIT Press, 2016

[3] J. S. Bendat, A. G. Piersol, Random Data, Wiley, 2010

Last update: Pavlů Jiří, doc. RNDr., Ph.D. (09.05.2024)

Czech

[1] Bishop, C. Pattern Recognition and Machine Learning, Springer, New York, 2007.

[2] I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, The MIT Press, 2016

[3] J. S. Bendat, A. G. Piersol, Random Data, Wiley, 2010

Last update: Pavlů Jiří, doc. RNDr., Ph.D. (25.04.2024)

Requirements to the exam

Vypracování zápočtových projektů - aplikace analýzy dat

Last update: Pavlů Jiří, doc. RNDr., Ph.D. (25.04.2024)

Syllabus

English

1. The role and types of data in fusion research, description of a physical experiment, statistical models, frequentist vs Bayesian approaches

2. The significance of forward and backward modelling of diagnostics for physics experiments

3. Bayesian models and solution methods

4. Forward modelling of optical diagnostics of plasma

5. Example of an inverse problem - tomographic reconstruction - classical vs Bayesian approach

6. Integrated data analysis - merging information from multiple diagnostics

7. Gaussian processes and Bayesian optimisation of black box models

8. Application of machine learning, introduction to types and uses of neural networks

9. Use of convolutional neural networks for image information processing

10. Processing time series - spectral analysis, autoregressive models

11. Generative modelling of experimental data, outlier detection

12. Acceleration of computations on GPUs

Last update: Pavlů Jiří, doc. RNDr., Ph.D. (09.05.2024)

Czech

1. Role a typy dat ve fúzním výzkumu, popis fyzikálního experimentu, statistické modely, frekventistický vs bayesovský přístup

2. Význam dopředného a zpětného modelování diagnostik pro fyzikální experiment

3. Bayesovské modely a metody řešení

4. Dopředné modelování optických diagnostik plazmatu

5. Příklad inverzní úlohy - tomografická rekonstrukce - klasický vs bayesovský přístup

6. Integrovaná datová analýza - sloučení informace z více diagnostik

7. Gaussovské procesy a bayesovská optimalizace black box modelů

8. Aplikace strojového učení, úvod do typů a využití neuronových sítí

9. Využití konvolučních neuronových sítí ke zpracování obrazové informace

10. Zpracování časových řad - spektrální analýza, autoregresní modely

11. Generativní modelování experimentálních dat, detekce outlierů

12. Akcelerace výpočtů na GPU

Last update: Pavlů Jiří, doc. RNDr., Ph.D. (25.04.2024)

Learning outcomes

Acquired skills: Application of statistical data analysis using the Bayesian approach, data analysis using neural networks, acceleration of common computations using graphics cards, creating forward and backward models, experience with participation in "data science" projects and the common approach in "research and development".

Last update: Pavlů Jiří, doc. RNDr., Ph.D. (09.05.2024)