Aplikace statistických metod a machine learningu na produkty srážek tězkých jader
Statistics and machine learning applied to heavy nuclei collision products
Type of document
bakalářská prácebachelor thesis
Author
Kateřina Hladká
Supervisor
Kůs Václav
Opponent
Kramárik Lukáš
Field of study
Matematické inženýrstvíStudy 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
Jedním z klíčových problémů v analýze dat rozpadů mezonů D z experimentu STAR je separace párů pionů ~ a kaonů K pocházejících z tohoto rozpadu od kombinatorického pozadí. K této separaci se využívá pokročilých metod strojového učení. Tato práce si klade za cíl prozkoumat zástupce těchto metod, konkrétně metodu náhodných lesů, metodu AdaBoost a metodu distribučních směsí, následně tyto metody aplikovat jak na data simulovaná, tak na data reálná. Zároveň budou také zkoumány možnosti předzpracování dat s ohledem na efektivitu zmíněných metod strojového učení. One of the core problems of D meson decay analysis using data of the STAR experiment measured at the Brookhaven National Laboratory, is separating pairs of kaons K and pions ~ as a product of this decay from combinatoric background. To carry out such separation, use of complex machine learning methods is needed. For this reason, theoretical backgrounds of AdaBoost, random forests and mixture models are described. Further results of these methods applied to simulated and real data are presented. Data pre-processing with respect to higher eťťiciency od these methods is explored as well.
Collections
- Bakalářské práce - 14101 [308]