CHIM4213 : Machine Learning en Physique et Chimie

Accès directs

CHIM4213 : Machine Learning en Physique et Chimie

Machine learning in Physics and Chemistry

Responsable(s) :

Pierre Borgnat
Cendrine Moskalenko

Niveau

M1+M2

Discipline

Physique-Chimie

ECTS

3.00

Période

2e semestre

Département

Département de Chimie

Localisation

Site Monod

Année

2022

Public externe (ouverts aux auditeurs de cours)

Informations générales sur le cours : CHIM4213

Content objectif

Apprendre et se familiariser avec des concepts de base d’apprentissage automatique pour les sciences physiques et chimiques, et découverte des méthodes avancées à travers des exemples appliqués à la physique et la chimie.

Plan du cours

- Introduction aux concepts et idées d'apprentissage automatique
- Méthodes générales pour représentations, classification supervisée, clustering
- Approches actuelles en ML, réseaux de neurones
- Exemples et applications à des questions en physique et chimie (analyse de spectres, problèmes inverses en imagerie, chimio-informatique, exemples en études du climat, en astronomie, problème du repliement des protéines, etc.)

Content prerequis

Mathématiques de L3 pour Physique-Chimie.
Outils de Programmation et Projets Numériques de Physique et Chimie (langage : python)
Probabilités, variables aléatoires, statistiques.

Content modalites

Examen écrit et projet avec rapport.

Content bibliographie

Pattern Recognition and Machine Learning. Christopher Bishop, Springer, 2006.

A high-bias, low-variance introduction to Machine Learning for physicists. Pankaj Mehta et al., Physics Reports 810 (2019) 1–124

Deep Learning. Ian Goodfellow and Yoshua Bengio and Aaron Courville. An MIT Press book, 2016