Maskininlärning i fysik 7,5 hp

Om kursen

Den här kursen introducerar fysikstudenter till centrala maskininlärningskoncept, med tonvikt på fysikspecifika tillämpningar och utmaningar. Kursen täcker de viktigaste paradigmen för maskininlärning - övervakad och oövervakad, och förstärkningsinlärning - och studenterna kommer att lära sig att tillämpa dessa metoder på ett brett spektrum av fysikproblem.

Inom övervakad inlärning kommer tekniker som Support Vector Machines, linjär och logistisk regression, Gradient Boosting och Lasso att tillämpas för att klassificera partikelkollisionshändelser, förutsäga materialegenskaper och analysera fasövergångar i komplexa system. Viktiga algoritmer introduceras, som Naïve Bayes, K-Nearest Neighbors, Decision Trees och Random Forests. Dessa används som verktyg för att modellera relationer i fysiska system och förutsäga resultat under varierande förhållanden, med fokus på tolkningsbarhet och prediktionsförmåga i experimentella och teoretiska fysiksammanhang.

Inom oövervakad inlärning behandlas metoder för klustring och dimensionsreduktion som är skräddarsydda för att identifiera mönster och strukturer i stora, omärkta dataset som är vanliga inom astrofysik, kondenserad materia och kärnfysik. Tillämpningarna omfattar upptäckt av avvikelser i experimentella data, identifiering av galaxmorfologier och minskning av komplexa datadimensioner i högenergipartikelfysik för att avslöja underliggande dynamik.

I avsnittet om Reinforcement Learning introduceras värdebaserade, modellbaserade och policybaserade metoder som används för att optimera styrsystem i laser- och optiska experiment, simulera partikelinteraktioner och förbättra noggrannheten i simuleringar inom plasmafysik och andra dynamiska system.

Studenterna kommer att lära sig grundläggande neurala nätverksarkitekturer, till exempel Convolutional Neural Networks (CNN) för astrofysiska bilder och Recurrent Neural Networks (RNN) för tidsseriedata som gravitationsvågssignaler. Kursen omfattar fysikfokuserade optimeringstekniker, inklusive gradientbaserade metoder, evolutionära strategier och maximum likelihood och Bayesianska metoder för parameteruppskattning och modellreglering.

De praktiska momenten är fokuserade på förbehandling av data, feature engineering och implementering av modeller för fysikdatauppsättningar, vilket inkluderar partikelfysik, astronomiska undersökningar och laboratoriemätningar. Studenterna samarbetar med forskare om forskningsproblem vid institutionen för fysik och tillämpar maskininlärning för att simulera fysiska processer, förutsäga experimentella resultat och analysera storskaliga observationsdata. Kursen förbereder studenterna för att använda maskininlärning i avancerad forskning eller industriella tillämpningar.

I kursen ingår en teorimodul omfattande 4,5 hp, samt en projektmodul som omfattar 3 hp.

Visa kursplan

Anmäl dig

HT2025
- Maskininlärning i fysik
  
  HT2025 / Umeå / Engelska / På plats
  
  Visa mer Visa mindre
  
  Startar
  1 september 2025
  
  Slutar
  2 november 2025
  
  Omfattning
  7,5 hp
  
  Undervisning
  På plats
  
  Studietakt
  50%
  
  Undervisningstid
  Dagtid
  
  Studieort
  Umeå
  
  Undervisningsspråk
  Engelska
  
  Anmälningskod
  UMU-53029
  
  Behörighet Tidigare högskolestudier om minst 90 högskolepoäng inklusive Kvantmekanik, 6 hp, Elektrodynamik, 6 hp, Termodynamik, 6 hp, Fasta tillståndets fysik,7,5 hp samt Programmeringsteknik i C och Matlab 7,5hp och Teknisk beräkningsvetenskap I, 4,5 hp, eller motsvarande. Engelska och svenska för grundläggande behörighet för högskolestudier. Krav på svenska gäller endast om utbildningen ges på svenska.
  
  Urval
  Högskolepoäng avklarade per sista anmälningsdag (för utbildning på grundnivå 1-165 hp, för avancerad nivå 30-285 hp)
  
  Studieavgift
  Gäller endast medborgare utanför EU, ESS och Schweiz. Anmälningsavgift: 900 kr. Studieavgift, första inbetalningen: 19 038 kr. Total studieavgift: 19 038 kr. Anmälnings- och studieavgifter
  
  Anmälan
  Sista anmälningsdag var den 15 april 2025. Du kan inte längre anmäla dig.

Anmäl dig via antagning.se
Du anmäler dig till våra program och kurser på antagning.se. Där kan du sedan följa din anmälan och kontrollera att dina meriter registrerats. Det är även där du loggar in för att svara på ditt antagningsbesked.

Sen anmälan
Efter sista anmälningsdag stänger anmälan till alla utbildningar. De kurser och program som har platser kvar kan vara öppna för sen anmälan. Dessa utbildningar är då märkta ”Öppen för sen anmälan” på antagning.se.

Mer om anmälan och antagning

Lär känna Umeå universitet

Här finns utbildningar av hög kvalitet och forskning inom alla vetenskapsområden och det konstnärliga området. Gemensamt för alla våra utbildningar är hög kompetens bland lärarna och ett tätt samspel mellan forskning, utbildning, samverkan och innovation.

Flest pedagogiskt meriterade lärare i Sverige

Priset går till lärare som verkligen engagerar sig, använder uppskattade metoder eller inspirerar.
Ett universitet där hälsa får ta plats

Umeå universitet är certifierat som ett Healthy Campus med många initiativ och aktiviteter som främjar hälsa.

Frågor om utbildningen?

Kontakta oss

Rubrik

Beskriv ditt ärende eller ställ en fråga

Förnamn

Efternamn

E-postadress

Tänk på att universitetet är en statlig myndighet och att det du skriver här kan bli en allmän handling. Var därför försiktig med att skriva känsliga eller personliga frågor här i kontaktformuläret. Alla uppgifter behandlas enligt dataskyddsförordningen (GDPR).