Обработка и анализ данных физического эксперимента — различия между версиями
Материал из Wiki - Факультет компьютерных наук
(Новая страница: «==О курсе== '''Преподаватели:''' * Маланчев Константин Леонидович, [https://www.hse.ru/staff/malanchev] * Кор…») |
Matwey (обсуждение | вклад) |
||
(не показаны 2 промежуточные версии ещё одного участника) | |||
Строка 2: | Строка 2: | ||
'''Преподаватели:''' | '''Преподаватели:''' | ||
− | * | + | * Корнилов Матвей Викторович, [https://www.hse.ru/staff/matwey] |
− | * | + | * Мамонов Евгений Александрович [https://www.hse.ru/staff/mamonov/] |
'''Аннотация курса:''' | '''Аннотация курса:''' | ||
− | В курсе рассматривается база, которую должен иметь физик, работающий с данными: | + | В курсе рассматривается база, которую должен иметь физик, работающий с данными: статистический анализ, проверка гипотез, методы оптимизации и т.п. Также мы планируем в конце курса заняться машинным обучением. Основа курса — практикум по программированию на Python. |
'''Страничка курса:''' | '''Страничка курса:''' | ||
* https://pyoadfe.github.io/ | * https://pyoadfe.github.io/ | ||
− | * https://www.hse.ru/ | + | * https://www.hse.ru/edu/courses/348463500 |
− | '''Табличка с успеваемостью:''' [https://docs.google.com/spreadsheets/d/ | + | '''Табличка с успеваемостью:''' [https://docs.google.com/spreadsheets/d/1lRdvAbSuWK2wrL-w-jgJe3SrstLy-w7MEAeW7-BXRak/edit?usp=sharing] |
==Программа Курса== | ==Программа Курса== | ||
Строка 50: | Строка 50: | ||
==Контакты учебных ассистентов== | ==Контакты учебных ассистентов== | ||
− | + | Виолетта Иванова: | |
− | + | * tg: @ivetasand | |
− | * tg: @ | + | |
− | + | Павел Юрлов: | |
− | + | * tg: @paulyurlov | |
− | + | ||
− | * tg: @ | + | |
==Литература и интернет-ресурсы== | ==Литература и интернет-ресурсы== | ||
− | * | + | * Все можно найти на этом сайте: [https://pyoadfe.github.io/] |
Текущая версия на 11:18, 12 января 2021
Содержание
О курсе
Преподаватели:
Аннотация курса:
В курсе рассматривается база, которую должен иметь физик, работающий с данными: статистический анализ, проверка гипотез, методы оптимизации и т.п. Также мы планируем в конце курса заняться машинным обучением. Основа курса — практикум по программированию на Python.
Страничка курса:
Табличка с успеваемостью: [3]
Программа Курса
- Обзор форматов научных данных и основных способов хранения данных.
- Хранение данных в виде текстовых файлов. Основные форматы текстовых таблиц.
- Хранение данных в виде бинарных файлов. Некоторые примеры бинарных форматов данных, их преимущества.
- Хранение данных в базе данных. Реляционные и документно-ориентированные базы данных.
- Подходы к распределенному хранению данных.
- Распределенная обработка данных.
- Работа на системах с общей памятью. Различные концепции параллельных вычислений, параллельные вычисления в Python.
- Работа на системах с распределенной памятью. Концепция MapReduce.
- Применение методов оптимизации к анализу экспериментальных данных.
- Обзор методов оптимизации для нахождения модельных параметров по данным эксперимента.
- Детерминистические методы оптимизации. Метод крыловских подпространств: метод сопряженных градиентов и его модификации.
- Оптимизация с ограничениями. Метод множителей Лагранжа. Линейное программирование, симплекс-метод.
- Стохастические методы оптимизации. Моделирование методом Монте-Карло с помощью Марковских цепей (MCMC).
- Обработка экспериментальных данных
- Нахождение сигнала на фоне шума: соотношение сигнал/шум, арифметика с шумными сигналами.
- Свертка сигнала с фильтром. Быстрое преобразование Фурье и его использование для свертки. Оптимальная фильтрация, фильтр Винера.
- Основные принципы метода регуляризации Тихонова
- Работа со статистическими распределениями.
- Определение параметров статистического распределения из набора экспериментальных данных: принцип максимального правдоподобия и метод наименьших квадратов
- Проверка статистических гипотез. Статистические критерии: t-критерий Стьюдента, критерий Колмогорова—Смирнова. Тестирование многомерных нормальных распределений.
- Применение методов машинного обучения для анализа физических данных.
- Обзор основных методов машинного обучения. Их классификация: классификация/регрессия, обучение с учителем и без.
- Линейные методы на примере линейной регрессии.
- Решающие деревья. Случайный лес для задач классификации и регрессии
Каналы взаимодействия со студентами
Все взаимодействие со студентами происходит в telegram.
Контакты учебных ассистентов
Виолетта Иванова:
- tg: @ivetasand
Павел Юрлов:
- tg: @paulyurlov
Литература и интернет-ресурсы
- Все можно найти на этом сайте: [4]