We will address several advanced topics of Machine Learning for physical applications which go beyond standard
introductory courses. Each lesson will consist of a 45-60 minute long lecture followed by practical examples and
discussion. The students will be encouraged to prepare a short talk, essay or a worksheet (i.e. a jupyter notebook)
on a particular topic. The seminar is intended for students familiar with the basics of machine learning techniques
who are interested in current development in the field.
Last update: Mgr. Kateřina Mikšová (22.12.2022)
Budeme se věnovat pokročilým tématům strojového učení pro fyzikální aplikace, která jdou nad rámec
standardních úvodních kurzů. Každá lekce se bude skládat ze 45 až 60 minut dlouhé přednášky po které budou
následovat praktické ukázky a diskuze. Studenti budou vyzváni, aby spracovali některé z témat ve formě krátkého
příspěvku, eseje nebo Jupyter notebooku. Seminář je určen studentům obeznámeným se základy strojového
učení, kteří se zajímají o aktuální vývoj v oboru.
Aim of the course -
Last update: Mgr. Kateřina Mikšová (22.12.2022)
The aim of the course is to give students an overview of the current problems and chosen modern machine learning techniques used in science.
Last update: Mgr. Kateřina Mikšová (22.12.2022)
Cílem předmětu je poskytnout studentům přehled o aktuálních problémech a vybraných moderních technikách strojového učení používaných ve vědě.
Course completion requirements -
Last update: Mgr. Kateřina Mikšová (22.12.2022)
To obtain the credit it is necessary to participate actively at the seminars. This means to attend the lectures, participate in the discussions and to prepare a short talk, essay or a worksheet (i.e. a jupyter notebook) on a particular topic.
Last update: Mgr. Kateřina Mikšová (22.12.2022)
Pro získání zápočtu je nutná aktivní účast na seminářích. To znamená navštěvovat přednášky, účastnit se diskusí a zpracování jednoho tématu ve formě krátkého příspěvku, eseje nebo Jupyter notebooku.
2. Kilpatrick: Deep Learning with Julia: deeplearningwithjulia.com.
3. F. Chollet: Deep learning v jazyku Python. Knihovny Keras, Tensorflow. Grada (2019).
4. P. Mehta, M. Bukov, C.-H. Wang, A. G. R. Day, C. Richardson, C. K. Fisher, and D. J. Schwab, A High-Bias: Low-Variance Introduction to Machine Learning for Physicists, Physics Reports 810, 1 (2019).
5. Anna Dawid et al.: Modern applications of machine learning in quantum sciences, arXiv:2204.04198 [quant-ph] (2022).
6. A. Tanaka,A .Tomiya, K. Hashimoto: Deep Learning and Physics, Springer Verlang (2021)
7. G. Carleo et al., Machine Learning and the Physical Sciences, Rev. Mod. Phys. 91, 045002 (2019).
2. Kilpatrick: Deep Learning with Julia: deeplearningwithjulia.com.
3. F. Chollet: Deep learning v jazyku Python. Knihovny Keras, Tensorflow. Grada (2019).
4. P. Mehta, M. Bukov, C.-H. Wang, A. G. R. Day, C. Richardson, C. K. Fisher, and D. J. Schwab, A High-Bias: Low-Variance Introduction to Machine Learning for Physicists, Physics Reports 810, 1 (2019).
5. Anna Dawid et al.: Modern applications of machine learning in quantum sciences, arXiv:2204.04198 [quant-ph] (2022).
6. A. Tanaka,A .Tomiya, K. Hashimoto: Deep Learning and Physics, Springer Verlang (2021)
7. G. Carleo et al., Machine Learning and the Physical Sciences, Rev. Mod. Phys. 91, 045002 (2019).
Syllabus -
Last update: Mgr. Kateřina Mikšová (22.12.2022)
1. Automatic differentiation for Machine learning in programming languages Python and Julia.
2. Neuromorfic computing. Basic concepts and current state of the research in the field.
3. TensorFlow Quantum.
4. Neural network quantum states beyond RBM.
5. Automatic phase classification via network confusion.
6. Physics-informed neural networks.
7. Graph neural networks.
Last update: Mgr. Kateřina Mikšová (22.12.2022)
1. Automatická diferenciace pro strojové učení v programovacích jazycích Python a Julia
2. Neuromorfní počítání. Základní pojmy a současný stav výzkumu v oboru.
