Strojové učení v částicové fyzice - NJSF164

• Anglický název: Machine learning in particle physics
• Zajišťuje: Ústav částicové a jaderné fyziky (32-UCJF)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2024
• 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
• Způsob výuky: prezenční
• Garant: Mgr. Daniel Scheirich, Ph.D.
• Vyučující: Mgr. Daniel Scheirich, Ph.D.

Anotace

čeština

Úvod do algoritmů strojového učení v částicové fyzice s důrazem na praktické použití.

Poslední úprava: Krtička Milan, doc. Mgr., Ph.D. (03.05.2024)

angličtina

Introduction to machine learning algorithms in particle physics with emphasis on practical applications.

Poslední úprava: Krtička Milan, doc. Mgr., Ph.D. (03.05.2024)

Cíl předmětu

čeština

Kurz "Strojové učení v částicové fyzice" poskytuje studentům základní úvod do aplikací strojového učení s důrazem na praktické dovednosti. Výuka probíhá na výpočetním clusteru Chimera, kde studenti pracují s Jupyter notebooky a instalují nezbytné knihovny, včetně TensorFlow. Studenti se seznámí se základními koncepty strojového učení, jako jsou klasifikace, regrese, generalizační chyba, ztrátové funkce a metriky. Důraz je kladen na pochopení a praktické použití TensorFlow API, včetně konverze a práce s daty. Kurz zahrnuje úvod do různých architektur neuronových sítí, jako je logistická regrese, multilayer perceptron, konvoluční a rekurentní sítě, a transformery, s aplikacemi zaměřenými na řešení problémů v částicové fyzice. Kurz je veden formou tutoriálu, kde studenti aktivně aplikují nabyté znalosti. Je doporučeno, aby si studenti přinesli svůj laptop s připojením k internetu.

Poslední úprava: Scheirich Daniel, Mgr., Ph.D. (26.08.2024)

angličtina

The course "Machine Learning in Particle Physics" provides students with a basic introduction to machine learning applications with an emphasis on practical skills. Classes are taught on the Chimera computing cluster, where students work with Jupyter notebooks and install the necessary libraries, including TensorFlow. Students are introduced to basic machine learning concepts such as classification, regression, generalization error, loss functions, and metrics. Emphasis is placed on understanding and practical use of the TensorFlow API, including data conversion and manipulation. The course includes an introduction to various neural network architectures, such as logistic regression, multilayer perceptron, convolutional and recurrent networks, and transformers, with applications focused on common problems in particle physics. The course is taught in a tutorial format where students actively apply the knowledge they have acquired. It is recommended that students bring their laptop with an internet connection.

Poslední úprava: Scheirich Daniel, Mgr., Ph.D. (26.08.2024)

Podmínky zakončení předmětu

čeština

Známka bude udělena na základě písemné zkoušky a domácích úkolů.

Poslední úprava: Scheirich Daniel, Mgr., Ph.D. (26.08.2024)

angličtina

The final grade will be based on a combination of the written exam and homework.

Poslední úprava: Scheirich Daniel, Mgr., Ph.D. (26.08.2024)

Vstupní požadavky

čeština

základní (rudimentární) znalost jazyka python

Poslední úprava: Scheirich Daniel, Mgr., Ph.D. (26.08.2024)

angličtina

basic (rudimentary) knowledge of python

Poslední úprava: Scheirich Daniel, Mgr., Ph.D. (26.08.2024)