物理与机器学习

课程编码：280216070200P0001 英文名称：Physics and Machine Learning 课时：20 学分：1.00 课程属性：高级强化课 主讲教师：张潘

开展物理与机器学习这门课程的教学目的主要包括以下几点：

理论融合：帮助学生理解机器学习和物理之间的交叉点，探索两个领域之间的相互作用与联系。这包括如何将物理学的原理和方法应用于机器学习模型中，以及如何利用机器学习技术解决物理问题。

技能培养：培养学生在机器学习和物理领域的专业技能，包括数据分析、模型构建、算法开发和实验设计等。通过实践训练，提高学生的问题解决能力和创新能力。

研究方法：介绍机器学习在物理研究中的应用，例如在高能物理、凝聚态物理、天体物理等领域的应用案例。通过学习，学生可以掌握如何使用机器学习方法来处理物理学中的复杂数据和问题。

批判性思维：培养学生的批判性思维能力，使他们能够评估机器学习模型在物理学应用中的有效性和局限性，以及理解模型背后的物理意义。

创新与应用：鼓励学生将机器学习与物理学相结合，探索新的研究方向和应用领域。通过课程项目和研究，激发学生的创新思维和实践能力。

跨学科交流：促进物理学和计算机科学等相关领域学生之间的交流与合作，建立跨学科的视角和合作网络，为未来的职业生涯和研究工作奠定基础。

通过这门课程，学生不仅能够掌握机器学习和物理学的基础知识，还能够深入理解两者之间的相互作用，为未来在科学研究和技术开发等领域的工作打下坚实的基础。

无

第一章 物理与机器学习概述 张潘
第1节 概率统计 0.3学时
第2节 统计推断基础 0.3学时
第3节 机器学习基础 0.3学时
第4节 物理与机器学习的交叉领域 0.3学时
第二章 Python与Pytorch编程基础 张潘
第1节 Python编程基础 0.5学时
第2节 Numpy编程基础 0.5学时
第3节 Scikit Learn基础 0.5学时
第4节 Pytorch编程基础 0.5学时
第三章 监督学习 张潘
第1节 线性回归 0.5学时
第2节 线性分类器 0.5学时
第3节 Logistic regression 0.5学时
第4节 神经网络 0.5学时
第四章 非监督学习 张潘
第1节 聚类 0.5学时
第2节 生成学习 0.5学时
第3节 自回归模型 0.5学时
第4节 流模型 0.5学时
第五章 统计推断 张潘
第1节 贝叶斯推断 1.0学时
第2节 最大似然推断 0.5学时
第3节 近似推断 0.5学时
第六章 统计物理与机器学习 张潘
第1节 Ising模型 1.0学时
第2节 Inverse Ising模型 1.0学时
第3节 Hopfield模型 1.0学时
第4节 Boltzmann Machines 1.0学时
第5节 Mean-field methods 1.0学时
第6节 Belief Propagation 0.5学时
第7节 Variational Autoregressive Networks 0.5学时
第七章 量子多体与机器学习 张潘
第1节 Variational Monte Carlo 1.0学时
第2节 变分量子统计力学 1.0学时
第八章 张量网络 张潘
第1节 张量网络介绍 1.0学时
第2节 二维Ising model的张量网络求解 1.0学时
第3节 张量网络与量子计算 1.0学时

张潘，中国科学院理论物理研究所研究员