Технології машинного навчання в фізичних дослідженнях

 Анотація навчальної дисципліни

Мета вивчення дисципліни:
Навчальна дисципліна «Технології машинного навчання в фізичних дослідженнях» має на меті навчити здобувачів основних принципів застосування методів штучного інтелекту та машинного навчання в фізиці; отримати досвід роботи з сучасними підходами та засобами для побудови, навчання та використання нейронних мереж в фізичних дослідженнях.

Практичне значення та використання отриманих знань:
Здобуті знання з технологій машинного навчання в фізичних дослідженнях дозволять здобувачам ефективно застосовувати методи штучного інтелекту для аналізу великих обсягів даних, моделювання фізичних процесів та оптимізації експериментальних налаштувань. Вміння будувати та навчати нейронні мережі сприятиме розвитку інноваційних підходів у фізичних дослідженнях, автоматизації обробки даних та вдосконалення експериментальних методів. Це підвищить якість та швидкість досліджень, а також відкриє нові можливості для міждисциплінарних проектів на перетині фізики, математики та комп'ютерних наук. Здобуті навички стануть основою для подальшої наукової роботи, кар'єри в інноваційних технологіях та участі в міжнародних дослідницьких ініціативах.

Програмні результати навчання

ПРН1. Мати сучасні концептуальні та методологічні знання з фізики та/або астрономії та дотичних до них міждисциплінарних напрямів, а також необхідні навички, достатні для проведення фундаментальних і прикладних наукових досліджень з метою отримання нових знань та/або здійснення розробок та інновацій.

ПРН4. Формулювати і перевіряти гіпотези; використовувати для обґрунтування висновків належні докази, зокрема, результати теоретичних і експериментальних досліджень, математичного моделювання, комп’ютерного експерименту, а також наявні літературні дані.

ПРН5. Розробляти моделі процесів і систем у фізиці та/або астрономії та дотичних міждисциплінарних напрямах, використовувати їх у науково-дослідницькій діяльності для отримання нових знань та/або створення розробок та інноваційних продуктів. 

ПРН6. Планувати і виконувати прикладні та/або фундаментальні дослідження з фізики та/або астрономії та дотичних міждисциплінарних напрямів з використанням сучасних методів, методик, технологій, інструментів та обладнання, з дотриманням норм академічної етики, критично аналізувати результати наукових досліджень у контексті усього комплексу сучасних знань щодо досліджуваної проблеми; готувати проєктні пропозиції щодо фінансування наукових досліджень та/або розробницьких і інноваційних проєктів.

ПРН7. Застосовувати сучасні інструменти і технології пошуку, оброблення та аналізу інформації, зокрема, статистичні методи аналізу даних великого обсягу та/або складної структури, спеціалізовані бази даних та інформаційні системи.

ПРН9. Глибоко розуміти загальні принципи та методи природничих наук, а також методологію наукових досліджень, місце фізики в системі наукових знань як методологічної основи природничих, інженерних наук та технологій; застосувати їх у власних дослідженнях у сфері фізики та/або астрономії та у викладацькій діяльності.

Тематика та види навчальних занять

Для очної (денної), заочної форми здобуття освіти

Лекційні заняття
Лекція 1. «Основи штучного інтелекту та машинного навчання».
Лекція 2. «Математичний апарат та програмні засоби машинного навчання».
Лекція 3. «Алгоритми кластерного аналізу за допомогою машинного навчання».
Лекція 4. «Алгоритм навчання з вчителем: гіпотеза, алгоритм оптимізації, функція втрат».
Лекція 5. «Основи штучних нейронних мереж, моделі нейрона».
Лекція 6. «Побудова та навчання нейронних мереж для задач регресії та класифікації».
Лекція 7. «Валідація моделей на прикладі задачі розпізнавання та класифікації зображень».
Лекція 8. «Обробка та прогнозування послідовностей за допомогою нейронних мереж».

Практичні заняття
Практичне заняття №1. «Програмні засоби для зберігання та обробки даних для машинного навчання».
Мета заняття: дослідження програмних засобів для зберігання та обробки даних, які використовуються в процесах машинного навчання для ефективної організації, зберігання та обробки великих обсягів даних. Завдання передбачає вивчення програмних систем та бібліотек для роботи з даними (NumPy, Pandas, TensorFlow). 
Практичне заняття №2. «Алгоритм кластеризації k-means».
Мета заняття: детальне вивчення алгоритму кластеризації k-means для виявленні структур у неструктурованих даних. Завдання передбачає знайомство з першим алгоритмом машинного навчання та практичне застосування алгоритму на реальних або згенерованих наборах даних. 
Практичне заняття №3. «Алгоритми машинного навчання для регресії та класифікації: лінійна та логістична регресії.».
Мета заняття: вивчення основних складових алгоритму машинного навчання на прикладі алгоритмів лінійної та логістичної регресії. Здобувачі ознайомляться з теоретичними аспектами цих алгоритмів так їх складовими, такими як гіпотеза, алгоритм оптимізації та функції втрат.
Практичне заняття №4. «Алгоритм оптимізації “градієнтний спуск” та його модифікації».
Мета заняття: вивчення алгоритму оптимізації "градієнтний спуск" та його принципу роботи, знайомство з параметрами налаштування, такими як швидкість навчання, та їх впливом на процес оптимізації. Також метою є вивчення модифікацій алгоритму, таких як стохастичний градієнтний спуск (SGD), адаптивний градієнтний спуск (AdaGrad), RMSProp та Adam. 
Практичне заняття №5. «Побудова моделі штучного нейрона та простої нейронної мережі засобами Python».
Мета заняття: розробка моделі штучного нейрона та простої нейронної мережі за допомогою мови програмування Python. Вивчення основних принципів роботи нейронів, архітектури нейронних мереж та їх компонентів, такими як ваги, функції активації та алгоритми навчання. Завдання передбачає практичне програмування моделі одного нейрона, а також побудову простішої нейронної мережі з кількома шарами, використовуючи сучасті бібліотеки, такі як NumPy, TensorFlow/Keras, PyTorch.
Практичне заняття №6. «Побудова та навчання нейронних мереж для задачі регресії та класифікації, валідація моделей».
Мета заняття: побудова та навчання нейронних мереж для розв'язання задач регресії та класифікації, ознайомлення з основами архітектури нейронних мереж, вибором відповідних функцій активації, алгоритмів оптимізації та методів оцінки продуктивності моделей.
Практичне заняття №7. «Використання нейронних мереж для аналізу та передбачень багатовимірних числових послідовностей».
Мета заняття: вивчення та застосування нейронних мереж для аналізу і передбачень багатовимірних числових послідовностей; ознайомлення з теоретичними основами різних типів нейронних мереж, таких як рекурентні нейронні мережі (RNN) та мережі з довгою короткочасною пам'яттю (LSTM), а також з методами обробки та підготовки даних для навчання моделей.

Консультації здійснюються впродовж семестру згідно з встановленим розкладом.

Індивідуальна робота

Не передбачена.

 Форми контрольних заходів та оцінювання результатів навчання

Для очної (денної), заочної форми здобуття освіти

Поточний контроль полягає у контрольних опитуваннях на практичних заняттях (оцінюється максимум у 40 балів), практичні завдання № 1-2 оцінюються максимально у 10 балів, завдання № 3-5 у 20 балів, а завдання № 6-7 оцінюються у 10 балів. Також поточний контроль полягає у виконанні двох модульних контрольних робіт (кожна оцінюється в 30 балів). Модульна контрольна робота виконується у письмовій формі та складається з 2 частин:
1) відповіді на питання,  що охоплює одну з тем лекційного курсу (15 балів)
2) розв’язку задачі з курсу практичних занять (15 балів).

Підсумковий контроль – екзамен. Екзаменаційний білет складається з трьох питань. Два з них стосуються лекційного курсу і формуються таким чином. щоб вони охоплювали декілька взаємопов'язаних частин цього курсу. Кожне питання оцінюються в 30 балів. Третє питання передбачає розв’язок задачі, пов’язаної з курсом практичних занять і оцінюється в 40 балів. Максимальна оцінка, яку може отримати студент – 100 балів.