Korištenje novih reprezentacija podataka u svrhu klasfikacije događaja pomoću strojnog učenja

diplomski rad

• Naslov (engleski): Usage of new data representations for event classification with machine learning methods
• Autor: Nino Kovačić
• Mentor: Nikola Poljak (mentor)
• Član povjerenstva: Nikola Poljak (predsjednik povjerenstva)
• Član povjerenstva: Davor Horvatić (član povjerenstva)
• Član povjerenstva: Krešimir Kumerički (član povjerenstva)
• Član povjerenstva: Darko Androić (član povjerenstva)
• Član povjerenstva: Andrej Novak (član povjerenstva)
• Ustanova koja je dodijelila akademski / stručni stupanj: Sveučilište u Zagrebu; Prirodoslovno-matematički fakultet; (Fizički odsjek); Zagreb
• Datum i država obrane: 2022-11-24, Hrvatska
• Znanstveno / umjetničko područje, polje i grana: PRIRODNE ZNANOSTI; Fizika

Sažetak

Kako bi se nosili sa stalno povećavajućim količinama podataka generiranih u eksperimentima potrebno je primijeniti naprednije tehnike obrade podataka. Najbolji primjer kojih je strojno učenje, ili specifičnije, neuralne mreže. Koristeći generirane podatke o događajima s mlazovima razvijamo binarni klasifikator s ciljem razlikovanja potječe li mlaz od gluona ili kvarka. U radu proučit ćemo nekoliko reprezentacija podataka te različite arhitekture mreža i usporediti klasifikatore.

Sažetak (engleski)

In order to deal with the constantly increasing amount of data generated by experiments more advanced data processing techniques are required. The best example of these is machine learning, and more specifically, neural networks. Using a generated ”black box” set of events describing jets, we develop a binary classifier to determine whether the origin of a particular jet is a quark or a gluon. In doing so, we’ll examine several representations of events as well as different network architectures, and compare the classifiers.

• Ključne riječi: klasifikacija događaja pomoću strojnog učenja
• Jezik: hrvatski
• URN:NBN: urn:nbn:hr:217:361469
• Studijski program: Naziv: Fizika; smjerovi: istraživački; Smjer: istraživački; Vrsta studija: sveučilišni; Stupanj studija: integrirani preddiplomski i diplomski; Akademski / stručni naziv: magistar/magistra fizike (mag. phys.)
• Vrsta resursa: Tekst
• Način izrade datoteke: Izvorno digitalna
• Prava pristupa: Otvoreni pristup
• Datum i vrijeme pohrane: 2022-12-19 13:21:36