Maschinelles Lernen für Physik und Astronomie

Eine praxisnahe Einführung in das maschinelle Lernen und seine Anwendungen in den Naturwissenschaften

Da Größe und Komplexität der Daten in den Naturwissenschaften exponentiell zunehmen, hilft maschinelles Lernen Wissenschaftlern, diese Informationen zu durchsuchen und zu analysieren, während es atemberaubende Fortschritte in der Quantenphysik, Astronomie, Kosmologie und darüber hinaus vorantreibt. Dieses prägnante Lehrbuch behandelt die Grundlagen des Aufbaus, der Diagnose, Optimierung und Bereitstellung von Methoden des maschinellen Lernens zur Lösung von Forschungsproblemen in Physik und Astronomie, mit Schwerpunkt auf kritischem Denken und der wissenschaftlichen Methode. Mit einem praxisorientierten Lernansatz greift Machine Learning for Physics and Astronomy auf reale, öffentlich zugängliche Daten sowie Beispiele direkt aus der aktuellen Forschung zurück, von der Identifizierung der Galaxienmorphologie aus Bildern bis zur Identifizierung der Signatur von Standardmodellteilchen in Simulationen am Large Hadron Collider.

Führt Leser in Best Practices der datengesteuerten Problemlösung ein, von der vorläufigen Datenexploration und -bereinigung bis zur Auswahl der besten Methode für eine bestimmte Aufgabe. Jedes Kapitel wird von Jupyter Notebook-Arbeitsblättern in Python begleitet, die es den Studenten ermöglichen, Schlüsselkonzepte zu erforschen. Enthält eine Fülle von Wiederholungsfragen und Quizfragen. Ideal für fortgeschrittene Studenten und frühe Doktoranden in STEM-Disziplinen wie Physik, Informatik, Ingenieurwesen und angewandte Mathematik. Zugänglich für Autodidakten mit Grundkenntnissen der linearen Algebra und Analysis. Folien und Prüfungsfragen (nur für Dozenten erhältlich)