دسترسی نامحدود
برای کاربرانی که ثبت نام کرده اند
دانلود کتاب Artificial Intelligence for High Energy Physics
دانلود کتاب هوش مصنوعی برای فیزیک انرژی بالا
مشخصات کتاب
Artificial Intelligence for High Energy Physics
ویرایش: نویسندگان: Paolo Calafiura (editor), David Rousseau (editor), Kazuhiro Terao (editor) سری: ISBN (شابک) : 9811234027, 9789811234026 ناشر: World Scientific سال نشر: 2022 تعداد صفحات: 720 [829] زبان: English فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) حجم فایل: 66 Mb
قیمت کتاب (تومان) : 53,000
در صورت تبدیل فایل کتاب Artificial Intelligence for High Energy Physics به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.
توجه داشته باشید کتاب هوش مصنوعی برای فیزیک انرژی بالا نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.
توضیحاتی در مورد کتاب هوش مصنوعی برای فیزیک انرژی بالا
کشف بوزون هیگز در برخورددهنده هادرون بزرگ در سال 2012 به درختان تصمیم تقویت شده متکی بود. از آن زمان، فیزیک انرژی بالا (HEP) تکنیک‌های مدرن یادگیری ماشین (ML) را در تمام مراحل خط لوله تجزیه و تحلیل داده‌ها، از پردازش داده‌های خام گرفته تا تجزیه و تحلیل آماری، اعمال کرده است. الزامات منحصر به فرد تجزیه و تحلیل داده های HEP، در دسترس بودن شبیه سازهای با کیفیت بالا، پیچیدگی ساختارهای داده (که به ندرت شبیه تصویر هستند)، کنترل عدم قطعیت های مورد انتظار از اندازه گیری های علمی، و مجموعه داده های در مقیاس اگزابایت نیازمند توسعه تکنیک های ML ویژه HEP. در حالی که این پیشرفت‌ها در مسیرهای بسیاری با سرعت کامل پیش می‌روند، نوزده بررسی در این کتاب مقدمه‌ای مستقل و آموزشی به کاربردهای واقعی مدل‌های ML در HEP ارائه می‌کنند که توسط برخی از برجسته‌ترین متخصصان در حوزه خود نوشته شده است.
توضیحاتی درمورد کتاب به خارجی
The Higgs boson discovery at the Large Hadron Collider in 2012 relied on boosted decision trees. Since then, high energy physics (HEP) has applied modern machine learning (ML) techniques to all stages of the data analysis pipeline, from raw data processing to statistical analysis. The unique requirements of HEP data analysis, the availability of high-quality simulators, the complexity of the data structures (which rarely are image-like), the control of uncertainties expected from scientific measurements, and the exabyte-scale datasets require the development of HEP-specific ML techniques. While these developments proceed at full speed along many paths, the nineteen reviews in this book offer a self-contained, pedagogical introduction to ML models' real-life applications in HEP, written by some of the foremost experts in their area.
فهرست مطالب
Contents 1. Introduction • Paolo Calafiura, David Rousseau and Kazuhiro Terao Part I: Discriminative Models for Signal/Background Boosting 2. Boosted Decision Trees • Yann Coadou 3. Deep Learning from Four Vectors • Pierre Baldi, Peter Sadowski and Daniel Whiteson 4. Anomaly Detection for Physics Analysis and Less Than Supervised Learning • Benjamin Nachman Part II: Data Quality Monitoring 5. Data Quality Monitoring Anomaly Detection • Adrian Alan Pol, Gianluca Cerminara, Cecile Germain and Maurizio Pierini Part III: Generative Models 6. Generative Models for Fast Simulation • Michela Paganini, Luke de Oliveira, Benjamin Nachman, Denis Derkach, Fedor Ratnikov, Andrey Ustyuzhanin and Aishik Ghosh 7. Generative Networks for LHC Events • Anja Butter and Tilman Plehn Part IV: Machine Learning Platforms 8. Distributed Training and Optimization of Neural Networks • Jean-Roch Vlimant and Junqi Yin 9. Machine Learning for Triggering and Data Acquisition • Philip Harris and Nhan Tran Part V: Detector Data Reconstruction 10. End-to-End Analyses Using Image Classification • Adam Aurisano and Leigh H. Whitehead 11. Clustering • Kazuhiro Terao 12. Graph Neural Networks for Particle Tracking and Reconstruction • Javier Duarte and Jean-Roch Vlimant Part VI: Jet Classification and Particle Identification from Low Level 13. Image-Based Jet Analysis • Michael Kagan 14. Particle Identification in Neutrino Detectors • Ralitsa Sharankova and Taritree Wongjirad 15. Sequence-Based Learning • Rafael Teixeira de Lima Part VII: Physics Inference 16. Simulation-Based Inference Methods for Particle Physics • Johann Brehmer and Kyle Cranmer 17. Dealing with Nuisance Parameters • T. Dorigo and P. de Castro Manzano 18. Bayesian Neural Networks • Tom Charnock, Laurence Perreault-Levasseur and François Lanusse 19. Parton Distribution Functions • Stefano Forte and Stefano Carrazza Part VIII: Scientific Competitions and Open Datasets 20. Machine Learning Scientific Competitions and Datasets • David Rousseau and Andrey Ustyuzhanin Index
