Učení matematického modelu z dat
| školitel: | doc. Ing. Václav Šmídl, Ph.D. |
| e-mail: | zobrazit e-mail |
| typ práce: | bakalářská práce, diplomová práce |
| zaměření: | MI_MM, MI_AMSM |
| klíčová slova: | identifikace modelu, strojové učení, |
| popis: | Matematické modely jednoduchých fyzikálních jevů jsou známé a dobře prozkoumané. Pro složitější jevy v nich však figuruje mnoho neznámých parametrů a často vedou k velmi složitým výpočtům. Je proto výhodné hledat pro tyto úlohy zjednodušené modely, které dobře reprezentují reálný problém. Běžně používané black-box modely jako neuronové sítě potřebují k naučení velké množství dat a často je obtížné porozumět jak modle funguje. Cílem práce je seznámit se s problémem učení matematických modelů z dat. Hlavním studovaným přístupem je učení řídké parametrizace bohatého modelu. Na jednoduché úkoly stačí například lineární modely, jako je LASSO, na složitější je potřeba použít obecnější postupy. Zvláštní pozornost budeme věnovat modelu neuronové aritmetiky, kde se matematický model učí jako vrstvená kombinace aritmetických operací. Výsledné metody budou testovány na datech z fyzikálních experimentů. |
| literatura: | 1. Brunton, Steven L., Joshua L. Proctor, and J. Nathan Kutz. \"Discovering governing equations from data by sparse identification of nonlinear dynamical systems.\" Proceedings of the national academy of sciences 113, no. 15 (2016): 3932-3937. 2. Heim, Niklas, Tomáš Pevný, and Václav Šmídl. \"Neural power units.\" arXiv preprint arXiv:2006.01681 (2020). 3. Udrescu, Silviu-Marian, and Max Tegmark. \"AI Feynman: A physics-inspired method for symbolic regression.\" Science Advances 6, no. 16 (2020). |
| naposledy změněno: | 22.09.2021 12:41:01 |
za obsah této stránky zodpovídá:
Pavel Strachota | naposledy změněno: 9.9.2021