Poslední úprava: Mgr. Kateřina Mikšová (13.05.2022)
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: Mgr. Kateřina Mikšová (13.05.2022)
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.
Cíl předmětu -
Poslední úprava: Mgr. Kateřina Mikšová (13.05.2022)
Cílem předmětu je osvojit si základní optimalizační techniky a metódy strojového učení s využitím ve fyzice a jiných přírodních vědách.
Poslední úprava: Mgr. Kateřina Mikšová (13.05.2022)
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.
Podmínky zakončení předmětu -
Poslední úprava: Mgr. Kateřina Mikšová (13.05.2022)
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: Mgr. Kateřina Mikšová (13.05.2022)
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.
Literatura -
Poslední úprava: Mgr. Kateřina Mikšová (13.05.2022)
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: Mgr. Kateřina Mikšová (13.05.2022)
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).
Sylabus -
Poslední úprava: Mgr. Kateřina Mikšová (13.05.2022)
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.
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: Mgr. Kateřina Mikšová (16.05.2022)
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.