Jupiterweb

Informações da Disciplina

Preparar para impressão

Júpiter - Sistema de Gestão Acadêmica da Pró-Reitoria de Graduação

Instituto de Física

Disciplinas Interdepartamentais do Instituto de Física

Disciplina: 4305512 - Aprendizado de máquina e inteligência artificial em física

Machine learning and artificial intelligence in physics

Créditos Aula:	4
Créditos Trabalho:	0
Carga Horária Total:	60 h
Tipo:	Semestral
Ativação:	01/01/2024	Desativação:

Objetivos

•	Capacitar os estudantes a compreenderem os conceitos fundamentais do Aprendizado de Máquina e da Inteligência Artificial aplicados à Física.
•	Demonstrar as etapas do pré-processamento de dados, incluindo tratamento de valores ausentes e dados categóricos, para aplicação em problemas de Física.
•	Ensinar os modelos de Aprendizado de Máquina supervisionados para problemas de Regressão e Classificação, bem como suas métricas de avaliação, com ênfase em aplicações em Física.
•	Apresentar os modelos de Aprendizado de Máquina não supervisionados para problemas de Agrupamento e Redução de Dimensionalidade, com ênfase em aplicações em Física.
•	Descrever as Redes Neurais Artificiais e como elas são utilizadas em problemas de Deep Learning em Física.
•	Introduzir técnicas avançadas de Aprendizado de Máquina aplicadas à Física, como Aprendizado por Reforço e Aprendizado Semi-Supervisionado, com exemplos de aplicação em problemas de Física.
•	Demonstrar as aplicações de Aprendizado de Máquina e Inteligência Artificial em campos da Física como Física de Alta Energia, Astrofísica, Física Teórica, Física de Partículas e outros.

• To enable students to understand the fundamental concepts of Machine Learning and Artificial Intelligence applied to Physics. • To demonstrate the data preprocessing steps, including handling missing and categorical data, for application in Physics problems. • To teach the supervised Machine Learning models for Regression and Classification problems, as well as their evaluation metrics, with emphasis on Physics applications. • To present the unsupervised Machine Learning models for Clustering and Dimensionality Reduction problems, with emphasis on Physics applications. • To describe Artificial Neural Networks and how they are used in Deep Learning problems in Physics. • To introduce advanced Machine Learning techniques applied to Physics, such as Reinforcement Learning and Semi-Supervised Learning, with examples of application in Physics problems. • To demonstrate the applications of Machine Learning and Artificial Intelligence in fields of Physics such as High Energy Physics, Astrophysics, Theoretical Physics, Particle Physics, and others.

Docente(s) Responsável(eis)

	380989 - Alexandre Alarcon do Passo Suaide
	3298353 - Tiago Fiorini da Silva

Programa Resumido

•	Introdução ao Aprendizado de Máquina e à Inteligência Artificial aplicados à Física
•	Pré-processamento de dados para Aprendizado de Máquina
•	Modelos de Aprendizado de Máquina supervisionados: Regressão e Classificação 
•	Modelos de Aprendizado de Máquina não supervisionados: Agrupamento e Redução de Dimensionalidade 
•	Redes Neurais Artificiais e Deep Learning 
•	Técnicas avançadas de Aprendizado de Máquina aplicadas à Física, como Aprendizado por Reforço e Aprendizado Semi-Supervisionado
•	Aplicações em Física de Alta Energia, Nuclear, Astrofísica, Física Teórica, Física de Partículas e outros campos da Física

• Introduction to Machine Learning and Artificial Intelligence applied to Physics • Data Preprocessing for Machine Learning • Supervised Machine Learning Models: Regression and Classification • Unsupervised Machine Learning Models: Clustering and Dimensionality Reduction Artificial Neural Networks and Deep Learning • Advanced Machine Learning Techniques applied to Physics, such as Reinforcement Learning and Semi-Supervised Learning • Applications in High Energy Physics, Astrophysics, Theoretical Physics, Particle Physics, and other fields of Physics

Programa

•	Introdução ao Aprendizado de Máquina e à Inteligência Artificial aplicados à Física
•	Pré-processamento de dados para Aprendizado de Máquina
•	Modelos de Aprendizado de Máquina supervisionados: Regressão e Classificação 
•	Modelos de Aprendizado de Máquina não supervisionados: Agrupamento e Redução de Dimensionalidade 
•	Redes Neurais Artificiais e Deep Learning 
•	Técnicas avançadas de Aprendizado de Máquina aplicadas à Física, como Aprendizado por Reforço e Aprendizado Semi-Supervisionado
•	Aplicações em Física de Alta Energia, Nuclear, Astrofísica, Física Teórica, Física de Partículas e outros campos da Física

Avaliação

Método

• Aulas expositivas para apresentação dos conceitos e algoritmos de Aprendizado de Máquina e Inteligência Artificial aplicados à Física. • Resolução de exercícios práticos para aplicação dos modelos de Aprendizado de Máquina em casos reais de Física. • Utilização de ferramentas de programação para a implementação dos modelos, tais como Python e suas bibliotecas (NumPy, Pandas, Scikit-learn, TensorFlow). • Discussão em grupo sobre artigos e pesquisas recentes na área de Aprendizado de Máquina e Inteligência Artificial aplicados à Física.

Critério

• Exercícios práticos para aplicação dos modelos de Aprendizado de Máquina em casos reais de Física. • Projeto final que consiste na aplicação de técnicas de aprendizado de máquina em um problema de física

Norma de Recuperação

Sem recuperação

Bibliografia

1.	"Deep Learning" by Ian Goodfellow, Yoshua Bengio, and Aaron Courville
2.	"The Hundred-Page Machine Learning Book" by Andriy Burkov
3.	"Hands-On Machine Learning with Scikit-Learn, Keras, and TensorFlow" by Aurélien Géron
4.	"Python Machine Learning" by Sebastian Raschka and Vahid Mirjalili
5.	"Pattern Recognition and Machine Learning" by Christopher Bishop
6.	"Machine Learning: A Probabilistic Perspective" by Kevin P. Murphy
7.	"Reinforcement Learning: An Introduction" by Richard S. Sutton and Andrew G. Barto
8.	"Data Science from Scratch: First Principles with Python" by Joel Grus
9.	"Python for Data Analysis" by Wes McKinney

Clique para consultar os requisitos para 4305512

Clique para consultar o oferecimento para 4305512