Kursplan för Avancerad simulering och maskininlärning

Kursplanen innehåller ändringar
Se ändringar

Kursplan fastställd 2020-02-20 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 85138
  • Max antal deltagare60
  • 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.

Kursplanen innehåller ändringar

  • Ändring gjord på kurstillfälle:
    • 2020-04-02: Block Block A tillagt av anders hellman
      [Kurstillfälle 1]
    • 2020-03-20: Block Block B tillagt av lina haglund
      [Kurstillfälle 1]