Машинное обучение в физических исследованиях
В предыдущих главах рассмотрены обработка массивов данных с помощью NumPy и Pandas и визуализация результатов. Следующим шагом является автоматическое извлечение из данных закономерностей с помощью моделей, классифицирующих события, предсказывающих значения физических величин и находящих структуру там, где визуальный анализ уже не позволяет её обнаружить.
Назначение раздела
Физика имеет дело с огромными объёмами данных, накопленных установками за годы работы: результаты коллайдера, астрономические наблюдения, численное моделирование. Без инструментов, выделяющих закономерности автоматически, извлечение из них полезной информации становится всё более трудной задачей.
Методы машинного обучения позволяют:
- Находить закономерности в больших наборах собранных данных
- Классифицировать физические объекты и явления
- Предсказывать поведение систем на основе известных данных
- Оптимизировать экспериментальные установки и процессы
Содержание раздела
- Основные понятия, где вводится терминология и рассматриваются типы задач машинного обучения
- Классические алгоритмы, от метода ближайших соседей до градиентного бустинга и кластеризации
- Нейронные сети, то есть модель нейрона, обратное распространение ошибки, оптимизаторы и регуляризация
- Инструменты, прежде всего библиотека scikit-learn, с помощью которой всё перечисленное может быть опробовано на практике
За каждым методом стоит своя математика и своя интуиция; рецепты без объяснения в настоящем разделе не приводятся.
Важное замечание
Раздел не требует глубокого знания машинного обучения. Предполагается, что читатель:
- Знаком с математическим анализом и линейной алгеброй в объёме первого курса
- Владеет программированием хотя бы на базовом уровне
- Готов экспериментировать и искать решения
Расширенная версия
В настоящем разделе собрана основа. Расширенная версия этого материала, дополненная практическими заданиями, в которых алгоритмы реализуются самостоятельно, вышла отдельной книгой «Базовые методы ИИ в физических исследованиях». Готовые рецепты обучения всех основных моделей, от линейной регрессии до нейронных сетей, собраны в сборнике рецептов по машинному обучению.
Таким образом, машинное обучение является таким же рабочим инструментом физика, как освоенный на первом курсе метод наименьших квадратов или преобразование Фурье.