|
|
|
||
Poslední úprava: Mgr. Kateřina Mikšová (13.05.2022)
|
|
||
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)
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)
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. 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. |