FYS9429 – Avansert maskinlæring og dataanalyse for fysiske fag

Fremskritt innen kunstig intelligens/maskinlæringsmetoder gir verktøy som har bred anvendelighet i vitenskapelig forskning. Disse teknikkene brukes på tvers av mangfoldet av forskningsfelt i moderne vitenskap, og fører til fremskritt som legger til rette for vitenskapelige oppdagelser og samfunnsmessige anvendelser.

I dette emnet fokuserer vi på avansert maskinlæring og statistiske læringsmetoder, som blir brukt i et bredt felt av problemstillinger innen fysikk og livsvitenskap - fra beregningsorientert nevrovitenskap til analyse av eksperimenter i høyenergifysikk. Vi diskuterer overvåkede og uovervåkede læringsmetoder, som strekker seg fra ulike dyplæringsmetoder til Bayesiansk modellering.

Etter å ha fullført dette emnet skal du:

• være kjent med sentrale dyplæringsmetoder, og hvordan bruke disse i forskning.
• kjenne til avanserte regresonsalgoritmer.
• kunne forstå hvordan du kan simulere komplekse fysiske prosesser med mange frihetsgrader.
• forstå teknikker innen optimering og deres fundamentale rolle innen maskinlæring.
• være kjent med bayesiansk statistikk og bayesiansk maskinlæring.
• forstå hvordan du finner korrelasjoner i datasett, og kunne kvantifisere usikkerhet.
• forstå hvordan du kan bruke gaussiske prosesser i analyser av fysiske problemer.

Ph.d.-kandidater ved UiO søker plass på undervisningen og melder seg til eksamen i Studentweb.

Hvis emnet har begrenset kapasitet, vil ph.d.-kandidater som har emnet i sin utdanningsplan ved UiO bli prioritert. Noen nasjonale forskerskoler kan ha egne regler for rangering av søkere til emner med begrenset kapasitet.

Ph.d.-kandidater som har opptak ved andre utdanningsinstitusjoner må innen angitt frist søke om hospitantplass.

Kapasitet: 20 studenter

Gode matematikk-kunnskaper er nødvendig.

Andre anbefalte emner:

• FYS-STK4155 – Anvendt dataanalyse og maskinlæring
• IN5400 – Maskinlæring for bildeanalyse (videreført)

• To timer forelesning per uke

Emnet har to prosjekter som legger grunnlaget for endelig karakter.

• To prosjekter (maks. 10 sider per prosjekt) som blir evaluert. Hvert prosjekt teller 50 %, og du må bestå begge prosjektene for å bestå emnet. Prosjektene leveres i Inspera.

Ved oppgaveskriving må du gjøre deg kjent med reglene for kildebruk og referanser.Ved brudd på reglene kan du bli mistenkt for forsøk på fusk.

Som eksamensforsøk i dette emnet teller også forsøk i følgende tilsvarende emner: FYS5429 – Advanced machine learning and data analysis for the physical sciences