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

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

3. A. Geron: Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow: Concepts, Tools, and Techniques to Build Intelligent Systems, O'Reilly Media (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. M. Erdmann et al.: Deep Learning for Physics Research. World Scientific Publishing Co. (2021).

7. A. Tanaka et al.: Deep Learning and Physics. Springer (2019).

8. K. Nakajima, I. Fischer: Reservoir Computing. Theory, Physical Implementations, and Applications. Springer (2021).

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

Sylabus

čeština

1. Rychlokurz Pythonu a knihoven NumPy, SciPy a pandas.

2. Základní metody strojového učení: k nejbližších sousedů (k-NN), nejbližší centroidy, lineární regrese, logistická regrese, podpůrné vektorové stroje (SVM), rozhodovací stromy.

3. Bayesovská regrese.

4. Ensemble learning. Náhodné lesy (Random Forests).

5. Strojové učení s nevyváženými datovými sadami a imputace dat.

6. Dopředné (neuronové) sítě. Učení s učitelem. Algoritmus zpětného šíření chyb (backpropagation).

7. Strojové učení bez dozoru. Analýza hlavních komponent (PCA). Hopfieldovy neurónové sítě. Boltzmannovy stroje a omezené Boltzmannovy stroje (RBM).

8. Autoenkodéry. Variační autoenkodér (VAE). Automatická klasifikace fází.

9. Hluboké učení. Konvoluční neurónové sítě (CNN). Regularizace neurónových sítí. Rozpoznávání obrazů.

10. Analýza a predikce časových řad. Model ARIMA. Rekurentní neurónové sítě (RNN). Paměťové buňky LSTM a GRU.

11. Aplikace neurónových sítí v kvantové fyzice. Neurónové kvantové stavy.

12. Bayesovské neurónové sítě.

Poslední úprava: Žonda Martin, RNDr., Ph.D. (11.06.2025)

angličtina

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

2. Basic methods in machine learning: k-nearest neighbors, nearest centroids, linear regression, logistic regression, support vector machines, decision trees.

3. Bayesian regression.

4. Ensemble learning. Random forests.

5. Machine Learning with imbalanced data sets and data imputation.

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

7. Unsupervised machine learning methods. Principal component analysics. Hopfield neural networks. Boltzmann machines and Restricted Boltzmann machines.

8. Autoencoders. Variational Autoencoder. Automatic phase classification.

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

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

11. Application of neural networks in quantum physics. Neural network quantum states.

12. Bayesian Neural Networks.

Poslední úprava: Žonda Martin, RNDr., Ph.D. (11.06.2025)