Strojové učení ve fyzice - NFPL061

• Anglický název: Machine learning in physics
• Zajišťuje: Katedra fyziky kondenzovaných látek (32-KFKL)
• Fakulta: Matematicko-fyzikální fakulta
• Platnost: od 2023
• Semestr: zimní
• E-Kredity: 4
• Rozsah, examinace: zimní s.:2/2, Z+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: RNDr. Pavel Baláž, Ph.D.; RNDr. Martin Žonda, Ph.D.; doc. RNDr. Tomáš Novotný, Ph.D.
• Vyučující: RNDr. Pavel Baláž, Ph.D.; RNDr. Martin Žonda, Ph.D.
• Kategorizace předmětu: Fyzika > Fyzika pevných látek

Anotace

čeština

V přednášce budou vysvětleny základní optimalizační techniky a metody strojového učení a jejich využití v klasické a kvantové fyzice a jiných přírodních vědách. Nejdůležitější metody budou detailněji analyzované na cvičeních, kde budou použity knihovny Scikit-learn, sktime, Tensorflow, Keras a NetKet v programovacím jazyku Python.

Poslední úprava: Mikšová Kateřina, Mgr. (13.05.2022)

angličtina

The lecture will provide a practical introduction into basic numerical optimization techniques and machine learning methods used in classical and quantum physics as well as in other fields of science. The most important methods will be analyzed in detail during the exercises in a form of hands-on sessions and projects by using the Python libraries Scikit-learn, sktime, Tensorflow, Keras, and NetKet.

Poslední úprava: Mikšová Kateřina, Mgr. (13.05.2022)

Cíl předmětu

čeština

Cílem předmětu je osvojit si základní optimalizační techniky a metódy strojového učení s využitím ve fyzice a jiných přírodních vědách.

Poslední úprava: Mikšová Kateřina, Mgr. (13.05.2022)

angličtina

The aim of the course is to master the basic optimization techniques and methods of machine learning for use in physics and other fields of science.

Poslední úprava: Mikšová Kateřina, Mgr. (13.05.2022)

Podmínky zakončení předmětu

čeština

Na získání zápočtu, který je podmínkou k připuštění k zkoušce, je potřeba nasbírat alespoň 65% bodů z úloh zadaných na cvičení. Otázky na zkoušce vychází ze sylabu.

Poslední úprava: Mikšová Kateřina, Mgr. (13.05.2022)

angličtina

To obtain the credit, which is a condition for admission to the exam, it is necessary to collect at least 65% of points from the assignments. The questions in the exam are based on the syllabus.

Poslední úprava: Mikšová Kateřina, Mgr. (13.05.2022)

Literatura

čeština

1. V. Kvasnička: Evolučné algoritmy, STU Bratislava (2000).

2. F. Chollet: Deep learning v jazyku Python. Knihovny Keras, Tensorflow. Grada (2019).

3. T. M. Mitchell: Machine learning, McGraw-Hill Science/Engineering/Math (1997).

4. A. Geron: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, O'Reilly Media (2019).

5. 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).

6. Anna Dawid et al.: Modern applications of machine learning in quantum sciences, arXiv:2204.04198 [quant-ph] (2022).

Poslední úprava: Baláž Pavel, RNDr., Ph.D. (03.09.2024)

Sylabus

čeština

1. Rychlokurz programovacího jazyka Python a jeho knihoven NumPy, SciPy a pandas.

2. Optimalizační problémy ve fyzice a jejich řešení. Gradientové metody. Stochastické optimalizační algoritmy (horolezecké a evoluční algoritmy).

3. Základy metod Monte Carlo. Isingův a Heisenbergův model. Metropolisův algoritmus, heat bath algoritmus. Ergodický teorém, podmínka detailní rovnováhy. Simulované žíhaní.

4. Základy strojového učení. Lineární regrese, logistická regrese, metoda podpůrných vektorů (support vector machines), rozhodovací stromy (decision trees), náhodné lesy (random forests).

5. Dopředné neuronové sítě. Učení neuronových sítí s učitelem. Algoritmus zpětného šíření chyb (backpropagation).

6. Učení neuronových sítí bez učitele. Hopfieldovy neuronové sítě. Boltzmannovy stroje. Omezené Boltzmannove stroje. Autoencoder. Automatická klasifikace fáz.

7. Hluboké učení. Konvoluční neuronové sítě, regularizace neuronových sítí. Analýza obrazu.

8. Analýza a predikce časových řad. Arima model. Rekurentní neuronové sítě, paměťové buňky LSTM a GRU.

9. Využití neuronových sítí v kvantové fyzice. Neural network quantum states, tomografie kvantových stavů.

10. Neuromorfní počítání. Základní koncepce a aktuální výsledky v oblasti neuromorfního počítání.

Poslední úprava: Baláž Pavel, RNDr., Ph.D. (03.09.2024)

angličtina

1. Crash course in Python and its libraries NumPy, SciPy, and pandas.

2. Optimization problems in physics and their solutions. Gradient methods. Stochastic optimization algorithms (hill climbing and evolutionary algorithms).

3. Basics of Monte Carlo methods. Ising and Heisenberg model. Metropolis algorithm, heat bath algorithm. Ergodic theorem, detailed balance condition. Simulated annealing.

4. Basic methods in machine learning. Linear regression, logistic regression, support vector machines, decision trees, random forests.

5. Feed forward neural networks. Supervised learning. Backpropagation algorithm.

6. Unsupervised learning of neural networks. Hopfield neural networks. Boltzmann machines. Restricted Boltzmann machines. Autoencoders. Automatic phase classification.

7. Deep learning. Convolutional neural networks. Neural network regularization. Image recognition.

8. Analysis and forecasting of time sequences. Arima model. Recurrent neural networks. LSTM and GRU memory cells.

9. Application of neural networks in quantum physics. Neural network quantum states and quantum state tomography.

10. Neuromorfic computing. Basic concepts and current state of the research in the field.

Poslední úprava: Baláž Pavel, RNDr., Ph.D. (03.09.2024)