Experimentální analýza dat ve fyzice plazmatu

Garant předmětu:

Jakub Seidl

Přednášející:

Cvičící:

Jakub Seidl, Matěj Tomeš

Předmět zajišťuje:

katedra fyziky

Anotace:

Cílem předmětu je poskytnout studentům možnost získat praktické zkušenosti řešením projektů z oblasti “data science”. Několik úloh zaměřených na analýzu dat měřených ve fúzních experimentech s magnetickým udržením plazmatu pomocí různých diagnostických systémů (mikrovlny, viditelná spektroskopie, infrakamery, elektrické sondy atd.) poskytují studentům možnost vyzkoušet si aplikaci Bayesovského přístupu, neuronových sítí a výpočtů na grafických kartách pro získání požadovaných informací o stavu plazmatu. Dále pak seznámení se s výhodami propojování dopředných a zpětných modelů. Tento přístup imituje pracovní postupy běžné v “research and development” projektech, kdy je zadán požadavek na návrh způsobu získání určitého typu informace z naměřených dat.

Požadavky:

Vypracování zápočtových projektů – aplikace analýzy dat

Osnova přednášek:

Osnova cvičení:

1.Role a typy dat ve fúzním výzkumu, popis fyzikálního experimentu, statistické modely, frekventistický vs bayesovský přístup

2.Význam dopředného a zpětného modelování diagnostik pro fyzikální experiment

3.Bayesovské modely a metody řešení

4.Dopředné modelování optických diagnostik plazmatu

5.Příklad inverzní úlohy - tomografická rekonstrukce - klasický vs bayesovský přístup

6.Integrovaná datová analýza - sloučení informace z více diagnostik

7.Gaussovské procesy a bayesovská optimalizace black box modelů

8.Aplikace strojového učení, úvod do typů a využití neuronových sítí

9.Využití konvolučních neuronových sítí ke zpracování obrazové informace

10.Zpracování časových řad - spektrální analýza, autoregresní modely

11.Generativní modelování experimentálních dat, detekce outlierů

12.Akcelerace výpočtů na GPU

Cíle studia:

Získané dovednosti: Aplikace statistické analýzy dat pomocí Bayesovského přístupu, analýza dat pomocí neuronových sítí, urychlení běžných výpočtů využitím grafických karet, vytváření dopředných a zpětných modelů, zkušenost se zapojením do “data science” projektů a běžným přístupem v “research and development”

Studijní materiály:

Povinná literatura: -

Doporučená literatura:

[1] J. S. Bendat, A. G. Piersol, Random Data, Wiley, 2010

[2] Bishop, C. Pattern Recognition and Machine Learning, Springer, New York, 2007.

[3] I. Goodfellow, Y. Bengio, A. Courville, Deep Learning, The MIT Press, 2016

[4] Bayesian Methods for Hackers. https://dataorigami.net/Probabilistic-Programming-and-Bayesian-Methods-for-Hackers/.

[5] Statistical Rethinking 2023 - YouTube. https://www.youtube.com/playlist?list=PLDcUM9US4XdPz-KxHM4XHt7uUVGWWVSus.

[6] Welcome — Bayesian Modeling and Computation in Python. https://bayesiancomputationbook.com/welcome.html.

Poznámka:

Rozvrh na zimní semestr 2024/2025:

Rozvrh není připraven

Rozvrh na letní semestr 2024/2025:

Rozvrh není připraven

Předmět je součástí následujících studijních plánů:

• Fyzika plazmatu a termojaderné fúze (volitelný předmět)