Apprentissage automatique pour la physique et l'astronomie

Une introduction pratique à l'apprentissage automatique et à ses applications dans les sciences physiques

À mesure que la taille et la complexité des données continuent de croître de manière exponentielle dans les sciences physiques, l'apprentissage automatique aide les scientifiques à filtrer et à analyser ces informations tout en stimulant des avancées époustouflantes en physique quantique, en astronomie, en cosmologie et au-delà. Ce manuel incisif couvre les bases de la construction, du diagnostic, de l'optimisation et du déploiement des méthodes d'apprentissage automatique pour résoudre des problèmes de recherche en physique et en astronomie, en mettant l'accent sur la pensée critique et la méthode scientifique. Utilisant une approche pratique de l'apprentissage, Machine Learning for Physics and Astronomy s'appuie sur des données réelles et publiquement disponibles, ainsi que sur des exemples tirés directement des frontières de la recherche, de l'identification de la morphologie des galaxies à partir d'images à l'identification de la signature des particules du modèle standard dans des simulations au Grand collisionneur de hadrons.

Initie les lecteurs aux meilleures pratiques en matière de résolution de problèmes basés sur les données, de l'exploration et du nettoyage préliminaires des données à la sélection de la meilleure méthode pour une tâche donnée. Chaque chapitre est accompagné de feuilles de travail Jupyter Notebook en Python qui permettent aux étudiants d'explorer des concepts clés. Comprend une multitude de questions de révision et de quiz. Idéal pour les étudiants de premier cycle avancés et les jeunes diplômés des disciplines STEM telles que la physique, l'informatique, l'ingénierie et les mathématiques appliquées. Accessible aux autodidactes ayant une connaissance de base de l'algèbre linéaire et du calcul. Diapositives et questions d'évaluation (disponibles uniquement pour les instructeurs)