Streszczenie:
Niniejsza praca skupia się na zastosowaniu algorytmów uczenia maszynowego jako
metodzie optymalizacji narzędzi analitycznych w dziedzinie fizyki wysokich energii. Autor
bada możliwość wykorzystania sieci neuronowych do identyfikacji procesów, w których doszło
do pojawienia się bozonu Higgsa, w zadaniach klasyfikacji binarnej oraz klastrowania.
Autor stosuje techniki optymalizacji hiperparametrów do stworzenia modelu
perceptronu wielowarstwowego i sprawdza potencjał głębokich sieci neuronowych pod kątem
wydobywania informacji wyłącznie na podstawie surowych danych pomiarowych.
Bazując na algorytmie Kohonena, przetestowana zostaje możliwość użycia technik
klastrowania opartego na sieciach neuronowych do wykrycia podobieństw wśród obserwacji
zawierających bozon Higgsa.
Do realizacji zadań niniejszej pracy wykorzystano platformę Azure Databricks
oraz magazyn danych Azure Blob Storage.
