Show simple item record

Supervised and Unsupervised Learning for Heavy Ion Physics



dc.contributor.advisorKůs Václav
dc.contributor.authorKateřina Hladká
dc.date.accessioned2021-10-20T06:51:22Z
dc.date.available2021-10-20T06:51:22Z
dc.date.issued2021-05-28
dc.identifierKOS-1087276107305
dc.identifier.urihttp://hdl.handle.net/10467/98219
dc.description.abstractPotřeba 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.cze
dc.description.abstractThe 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.eng
dc.publisherČeské vysoké učení technické v Praze. Vypočetní a informační centrum.cze
dc.publisherCzech Technical University in Prague. Computing and Information Centre.eng
dc.rightsA 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.htmleng
dc.rightsVysokoškolská 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.htmlcze
dc.subjectbinární klasifikacecze
dc.subjectD rozpadcze
dc.subjectoptimalizacecze
dc.subjectQCD fázové přechodycze
dc.subjectstrojové učenícze
dc.subjectbinary classificationeng
dc.subjectD decayeng
dc.subjectmachine learningeng
dc.subjectoptimizationeng
dc.subjectQCD phase transitioneng
dc.titleSupervizované a nesupervizované učení pro fyziku těžkých iontůcze
dc.titleSupervised and Unsupervised Learning for Heavy Ion Physicseng
dc.typediplomová prácecze
dc.typemaster thesiseng
dc.contributor.refereeBielčíková Jana
theses.degree.disciplineAplikované matematicko-stochastické metodycze
theses.degree.grantorkatedra matematikycze
theses.degree.programmeAplikace přírodních vědcze


Files in this item




This item appears in the following Collection(s)

Show simple item record