Supervizované a nesupervizované učení pro fyziku těžkých iontů
Supervised and Unsupervised Learning for Heavy Ion Physics
Type of document
diplomová prácemaster thesis
Author
Kateřina Hladká
Supervisor
Kůs Václav
Opponent
Bielčíková Jana
Field of study
Aplikované matematicko-stochastické metodyStudy program
Aplikace přírodních vědInstitutions assigning rank
katedra matematikyRights
A university thesis is a work protected by the Copyright Act. Extracts, copies and transcripts of the thesis are allowed for personal use only and at one?s own expense. The use of thesis should be in compliance with the Copyright Act http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf and the citation ethics http://knihovny.cvut.cz/vychova/vskp.htmlVysokoškolská závěrečná práce je dílo chráněné autorským zákonem. Je možné pořizovat z něj na své náklady a pro svoji osobní potřebu výpisy, opisy a rozmnoženiny. Jeho využití musí být v souladu s autorským zákonem http://www.mkcr.cz/assets/autorske-pravo/01-3982006.pdf a citační etikou http://knihovny.cvut.cz/vychova/vskp.html
Metadata
Show full item recordAbstract
Potřeba řešení komplexních problémů binární klasifikace ve fyzice těžkých iontů vyústila v častější užívání supervizovaných i nesupervizovaných algoritmů strojového učení. Spolu s vhodným předzpracováním dat a optimalizací hyperparametrů tak tvoří silný nástroj pro řešení takovýchto problémů. Tato práce porovnává několik přístupů strojového učení a efektu více typů předzpracování dat pro dva problémy fyziky těžkých iontů: identifikaci produktů rozpadu D a identifikaci povahy QCD fázového přechodu. Metody použité v této práci zahrnují náhodný les, hluboké neuronové sítě a konvoluční neuronové sítě s i bez reziduálních bloků. The need of solving complex binary classification problems in the heavy ion physics has resulted in the usage of both supervised and unsupervised machine learning algorithms. Together with appropriate data preprocessing and hyper-parameters optimization they form a strong tool for addressing such problems. This study compares multiple machine learning approaches and data pre-processing dependencies for two heavy ion physics problems: D decay classification and identification of the nature of the QCD phase transition. The methods used in this thesis include random forest, deep neural networks and convolutional neural networks with and without residual blocks.
Collections
- Diplomové práce - 14101 [152]