TFYB16 · Linköpings universitet
Artificiell Intelligens för Materialvetenskap
Ny kurs
Inga tentor än
Ladda upp dina tidigare tentor och få hjälp med att strukturera ditt studiematerial
Få dina tentauppgifter kategoriseradeBli guidad genom ditt studiematerialFå hjälp direkt med teori och tipsHåll koll på dina framsteg
HP
6
Språk
Svenska
Nivå
Avancerad nivå
Fakultet
Tekniska fakulteten
Institution
Institutionen för fysik, kemi och biologi
Lärandemål
Syftet med kursen är att introducera metoder inom maskininlärning och artificiell intelligens samt att ge studenten de kunskaper och färdigheter som krävs för att börja tillämpa sådana metoder för att lösa problem inom materialvetenskap.Efter genomgången kurs ska studenten kunna:
- implementera och använda klassiska maskininlärningsmetoder samt neurala nätverk
- välja lämpliga tekniker och algoritmer utifrån givna problem
- använda materialdata från öppna databaser för maskininlärning
- tillämpa metoder inom artificiell intelligens i ett materialvetenskapligt projekt samt presentera resultaten.
Kursinnehåll
Kursinnehållet är uppdelat i sex moduler. Introduktion till Python. En kort valfri modul för studenter utan tidigare Python-erfarenhet. Modulen erbjuder de grundläggande kunskaperna i Python som krävs för att följa resten av kursen. Klassisk maskininlärning. Denna modul introducerar grundläggande maskininlärningsalgoritmer för regression, klassificering, klusterbildning och dimensionalitetsreduktion. Utöver att introducera grundläggande algoritmer kommer vi gå igenom det typiska AI-arbetsflödet med datahantering, träning av modeller, optimering, regularisering, och hur modeller utvärderas Neuronala nätverk. Denna modul fokuserar på grunderna i neurala nätverk, och vi går igenom ett neural näterks alla komponenter, aktiveringsfunktioner, modellträning, nätverksdesign och regulariseringstekniker. Vi går igenom vanliga nätverksarkitekturer som till exempel feedforward networks, convolutional networks, och autoencoders. Avancerade områden.Denna modul introducerar några mer avancerade ämnen som till exempel såsom transformers och graph neural networks För modulerna 2, 3 och 4 är den underliggande teorin och metodiken fältoberoende och brett tillämpbar. Då kursen är utvecklad med materialvetenskap och kemi i åtanke, är dock exempel och datasett till stor del hämtade från dessa områden. Materialinformatik.Denna modul går igenom grunderna för hur vi kan tillämpa AI metoder på molekyler och material. Vi kommer gå igenom olika sätta att representera, beskriva, och beräkna deskriptorer för molekyler och material. Vi kommer även gå igenom viktiga materialdatabaser. Projektarbete.I slutet av kursen tillämpar studenterna AI-metoder i ett materialvetenskapligt projekt. Studenterna väljer ett projektämne i samråd med kursläraren. Projektet presenteras både i en skriftlig rapport och muntligt.
Förutsättningar
- Grundläggande kunskaper i linjär algebra, matematisk statistik och programmering. Bakgrundskunskaper inom materialvetenskap, fysik, kemi eller ett relaterat område.
Litteratur
Saknas
Liknande kurser vid andra universitet
Gör som 15 000+ studenter och ta kontroll över ditt tentaplugg.
Kom igång gratis