Machine Learning for Physics and Astronomy

"Une introduction pratique à l'apprentissage automatique et à ses applications aux sciences physiques. Alors 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 naviguer et à analyser ces informations tout en favorisant des avancées spectaculaires 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 les problèmes de recherche en physique et en astronomie, en mettant l'accent sur la pensée critique et la méthode scientifique. Using a hands-on approach to learning, Machine Learning for Physics and Astronomy draws on real-world, publicly available data as well as examples taken directly from the frontiers of research, from identifying galaxy morphology from images to identifying the signature of standard model particles in simulations at the Large Hadron Collider. Introduit les lecteurs aux meilleures pratiques en matière de résolution de problèmes axée 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 les concepts clésInclut une multitude de questions de révision et de quizIdéal pour les étudiants avancés de premier cycle et de début de cycle supérieur dans les disciplines STIM telles que la physique, l'informatique, l'ingénierie et les mathématiques appliquées. Accessible aux autodidactes ayant des connaissances de base en algèbre linéaire et en calcul. Diapositives et questions d'évaluation (disponibles uniquement pour les enseignants)"--.