PředmětyPředměty(verze: 964)
Předmět, akademický rok 2024/2025
   Přihlásit přes CAS
Neuronové sítě v částicové fyzice - NJSF138
Anglický název: Neural nets in particle physics
Zajišťuje: Ústav částicové a jaderné fyziky (32-UCJF)
Fakulta: Matematicko-fyzikální fakulta
Platnost: od 2015
Semestr: zimní
E-Kredity: 4
Rozsah, examinace: zimní s.:2/1, Zk [HT]
Počet míst: neomezen
Minimální obsazenost: neomezen
4EU+: ne
Virtuální mobilita / počet míst pro virtuální mobilitu: ne
Stav předmětu: vyučován
Jazyk výuky: čeština, angličtina
Způsob výuky: prezenční
Garant: Mgr. Tomáš Sýkora, Ph.D.
Vyučující: Mgr. Tomáš Sýkora, Ph.D.
Anotace -
Seznámení s použitím neuronových sítí v oblasti částicové fyziky. Určeno pro 1. ročník navazujícího magisterského studia a výše.
Poslední úprava: Krtička Milan, doc. Mgr., Ph.D. (29.04.2019)
Podmínky zakončení předmětu -

Ústní zkouška do níž spadá i prezentace počítačového řešení (studentem) předem zvolené úlohy.

Poslední úprava: Sýkora Tomáš, Mgr., Ph.D. (12.06.2019)
Literatura -

Christopher M. Bishop, Neural Networks for Pattern Recognition, ISBN-13: 978-0198538646

Christopher M. Bishop, Pattern Recognition and Machine Learning, ISBN-13: 978-0387310732

Poslední úprava: T_UCJF (19.03.2015)
Požadavky ke zkoušce -

Pro zkoušku si student připraví počítačový program, na jehož zadání se domluví s přednášejícím - buďto zadání student sám navrhne tak, aby mělo použití v tématice, kterou se zabývá nebo si zvolí zadání navržené přednášejícím.

Kromě diskuse počítačového řešení, student dostane tři otázky v rozsahu sylabu přednášky.

Poslední úprava: Sýkora Tomáš, Mgr., Ph.D. (12.06.2019)
Sylabus -
  • elementy teorie pravděpodobnosti - hustota pravděpodobnosti, kovariance, Bayesovská definice pravděpodobnosti, Gaussovo rozdělení, aproximace dat
  • rozdělení pravděpodobnosti - beta rozdělení, Dirichletovo rozdělení, metoda maximální věrohodnosti pro Gaussovské rozdělení, Studentovo t-rozdělení
  • lineární modely pro regresi - modely s lineární bází, metoda maximální věrohodnosti a metoda minimálních čtverců, postupné učení, regularizované minimální čtverce, rozklad předsudek-variance, Bayesovská lineární regrese, omezení lineárních modelů s fixovanou bází
  • lineární klasifikační modely - diskriminační funkce, pravděpodobnostní diskriminační modely, Laplaceova aproximace, Bayesovská logistická regrese
  • neuronové sítě - trénink, zpětná vazba chyby, Hessova matice, regularizace v neuronových sítích, Bayesovské neuronové sítě
  • dvojí použití neuronových sítí - aproximace a rozhodnutí

Poslední úprava: T_UCJF (18.04.2012)
 
Univerzita Karlova | Informační systém UK