Dina studier

Kursplan för Avancerad simulering och maskininlärning

Kursplan fastställd 2021-02-26 av programansvarig (eller motsvarande).

Kursöversikt

  • Engelskt namnAdvanced simulation and machine learning
  • KurskodTIF345
  • Omfattning7,5 Högskolepoäng
  • ÄgareMPPHS
  • UtbildningsnivåAvancerad nivå
  • HuvudområdeTeknisk fysik
  • InstitutionFYSIK
  • BetygsskalaTH - Mycket väl godkänd (5), Väl godkänd (4), Godkänd (3), Underkänd

Kurstillfälle 1

  • Undervisningsspråk Engelska
  • Anmälningskod 85126
  • Max antal deltagare60 (minst % av platserna reserveras för utbytesstudenter)
  • Blockschema
  • Sökbar för utbytesstudenterJa

Poängfördelning

0120 Projekt 7,5 hp
Betygsskala: TH		7,5 hp

    I program

    Examinator

    Gå till kurshemsidan (Öppnas i ny flik)

    Behörighet

    Grundläggande behörighet för avancerad nivå
    Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

    Särskild behörighet

    Engelska 6
    Sökande med en programregistrering på ett program där kursen ingår i programplanen undantas från ovan krav.

    Kursspecifika förkunskaper

    TIF285 - Bayesiansk dataanalys och maskininlärning och FKA121 - Beräkningsfysik eller motsvarande

    Syfte

    Kursen behandlar ett urval av statistiska metoder och algoritmer från maskininlärning och deras tillämpning på simulering av fysikaliska system. Kursen är baserad på ett antal projekt, vilka introduceras via föreläsningar, och kompletteras med praktiska datorövningar. Under kursens gång kommer studenten att möta avancerade problem från modern naturvetenskaplig och teknisk forskning, med målet att reproducera vetenskapliga resultat. Projektuppgifterna genomförs företrädesvis med hjälp av programmeringsspråket Python och därtill befintliga, och fritt tillgängliga programpaket. På så vis tränas studentens förmåga att utveckla strukturerad datorkod med målet att genomföra pålitlig och vetenskaplig statisk analys.

    Lärandemål (efter fullgjord kurs ska studenten kunna)

    • kritiskt granska beskrivningen av system inom fysikaliska vetenskaper med olika matematiska modeller
    • rationalisera den numeriska representationen av sådana modeller på olika nivåer av förfining
    • använda statistiska inferens och metoder från maskininlärning (ML) för att utvärdera och jämföra modeller
    • förklara, med lämplig terminologi, metoder från ML och statistisk inferens
    • analysera data och skriva kod på vetenskapligt och etiskt sätt

    Innehåll

    Avancerade simuleringar inom fysikvetenskap kan dra nytta av ML metoder på flera sätt:
    • Osäkerhetskvantifiering via Bayesiansk inferens
    • Representering av matematiska modeller via ML-modeller, t.ex. neurala nätverk och Gaussiska processer
    • Parametrisering och urval av ML-modeller via regressionstekniker
    Följande ämnen kommer att behandlas:
    • Dimensionalitetsreduktion och "descriptors" för fysiska system
    • Bayesiansk inferens och modellurval
    • Generaliserade linjära modeller inklusive Gaussprocesser
    • Avancerade metoder för regression och regulering
    • Neurala nätverk
    Alla dessa aspekter kommer att introduceras och undersökas i samband med modellering inom fysikaliska vetenskaper.

    Organisation

    • Föreläsningar
    • Handlett arbete i datorsal (grupparbeten med beräkningsprojekt)
    • Ett antal mindre inlämningsuppgifter
    • Beräkningsprojekt med skriftlig rapportredovisning

    Examination inklusive obligatoriska moment

    Slutbetyget baseras på den kombinerade prestationen på inlämningsuppgifter och beräkningsprojekt.

    Kursens examinator får examinera enstaka studenter på annat sätt än vad som anges ovan om särskilda skäl föreligger, till exempel om en student har ett beslut från Chalmers om pedagogiskt stöd på grund av funktionsnedsättning.