Skip to content

Commit

Permalink
pf: 大作业介绍提纲。
Browse files Browse the repository at this point in the history
  • Loading branch information
@heroxbd
heroxbd committed Jul 28, 2024
1 parent 83e34e2 commit d71e315
Showing 1 changed file with 86 additions and 121 deletions.
207 changes: 86 additions & 121 deletions pd.org
View file
Original file line number Diff line number Diff line change
Expand Up @@ -5373,7 +5373,7 @@ PMT 的

[[file:./MC-reconstruction.pdf]]

- 2024-07-28 -- 2024-08-17
- 2024-07-28 -- 2024-08-18
- 分析数据
- 测量模型参数
- 黑盒分数按排名
Expand Down Expand Up @@ -12281,44 +12281,7 @@ Number of Fisher Scoring iterations: 5
3. 广义线性回归，把误差分布从高斯替换为其它指数族分布
+ 把连接函数从恒等替换为非线性函数
+ 几乎可以解决所有日常工作中的非线性问题，惊喜！
** 无脑回归
*** 可用 sklearn
- Debian
#+begin_src bash
apt install python3-sklearn-pandas
#+end_src

*** 支持向量机
#+begin_src ein-python :results output :session https://dpcg.g.airelinux.org/user/xubd/lecture-python.ipynb :exports both
### SVM regression
from sklearn.svm import SVR
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
regr = make_pipeline(StandardScaler(), SVR(C=1.0, epsilon=0.2))
regr.fit(X, y)
#+end_src
*** 决策树
#+begin_src ein-python :results output :session https://dpcg.g.airelinux.org/user/xubd/lecture-python.ipynb :exports both
### GBoost
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
X, y, random_state=0)
reg = GradientBoostingRegressor(random_state=0)
reg.fit(X_train, y_train)
reg.predict(X_test[1:2])
reg.score(X_test, y_test)
#+end_src
*** 神经网络
#+begin_src ein-python :results output :session https://dpcg.g.airelinux.org/user/xubd/lecture-python.ipynb :exports both
### 神经网络
from sklearn.neural_network import MLPRegressor
regr = MLPRegressor(random_state=1, max_iter=500).fit(X_train, y_train)
regr.predict(X_test[:2])
regr.score(X_test, y_test)
#+end_src

** 大作业
** 大作业安排
*** 大作业安排
**** l :BMCOL:
:PROPERTIES:
Expand All @@ -12327,7 +12290,8 @@ Number of Fisher Scoring iterations: 5
***** 正向第一阶段
[[file:./MC-predict.pdf]]

- 2023-07-21 -- 2023-08-10
- 2024-07-11 -- 2024-08-02

- 模拟实验测量

**** r :BMCOL:
Expand All @@ -12338,58 +12302,37 @@ Number of Fisher Scoring iterations: 5

[[file:./MC-reconstruction.pdf]]

- 2023-08-03 -- 2023-08-24
- 分析实验数据
- 测量物理模型参数
- 发现物理规律
- 2024-07-28 -- 2024-08-18
- 分析数据
- 测量模型参数
- 黑盒分数按排名
+ 在不同大作业之间归一化

*** 实验测量的分析
- 输入 :: （模拟的）实验测量原始数据
+ 如果不是模拟的，则无法评分
+ 但是助教会尽可能把它做得和真的一样
- 输出 :: 物理对象的信息
- 输出 :: 物理对象的数学描述，实现
- 采分 :: 与助教手中的模拟输入相比

**** 第二阶段分组
- 同学们先联络好，组队信息在网络学堂提交
+ 到 https://physics-data.meow.plus 注册账号，一并提交
+ 可能需要重新组队
- 每队至多三人
- 单人队：大作业得分 $\times 1.03$
- 三人队：每人大作业得分 = 队伍得分 $\times 0.95$
- 不同队伍间请勿直接交换代码
#+beamer: \pause
- 如果大作业结果含有学术突破，总评保送 A+。
*** https://physics-data.meow.plus 的使用
1. 注册账号：注意邮箱的“垃圾箱”等，如果收到不到注册邮件尝试更换邮箱
+ 遇到困难开 issue 提问

2. 找到大作业的位置

注意平台上还有很多其它的作业，不要走错了

- https://physics-data.meow.plus/challenges/pd2023-gamma
- https://physics-data.meow.plus/challenges/pd2023-muon
- https://physics-data.meow.plus/challenges/pd2023-spectroscopy

3. 前往 "submissions" 选项卡，点击 "CREATE SUBMISSION"

- 上传你的解答文件。

*** 大作业的可复现性
**** _复现_ 原则的要求 :B_exampleblock:
:PROPERTIES:
:BEAMER_env: exampleblock
:END:

提交到 https://physics-data.meow.plus 的结果必须可复现，否则无效。
大作的结果必须可复现，否则无效。

**** 思路和要点
- 组队完成后，将获得
- 将获得

https://git.tsinghua.edu.cn/physics-data/2023/project_2
https://git.tsinghua.edu.cn/physics-data/2024/project_2

之下的仓库一份，使用 GNU Make 构建整个分析流程，连同报告、程序整理到
仓库中。
Expand All @@ -12401,13 +12344,79 @@ Number of Fisher Scoring iterations: 5
- 而向数据编程，data-driven programming
- 系统表达输入数据、输出数据和中间结果的依赖关系，
+ 成为“可执行的说明文档”
** probe 大作业
*** 具体说明
- gamma :: 刘学伟
- 粒子物理方向：台山中微子实验的成像原理探索
- Ghost Hunter 2023 课赛结合
- muontagging :: 刘明昊
- 宇宙射线缪子的测量与屏蔽
- spectroscopy :: 吴致颉
https://git.tsinghua.edu.cn/physics-data/projects/tpl_junoprobe

- 正在完善
+ 大家可以开始 =clone= 大作业模板，再 =push= 到自己的仓库中。
+ 后续如果模板有更新，通过 =git merge= 整合。
*** 泊松点过程
- 作业的目标是取得 JUNO 探测器泊松点过程的条件均值函数。

*** likelihood-free inference
- somewhat misleading
- 从一个没有 likelihood 的模型中，提炼出 likelihood。
** 无脑回归
*** 可用 sklearn
- Debian
#+begin_src bash
apt install python3-sklearn-pandas
#+end_src

*** 支持向量机
#+begin_src ein-python :results output :session https://dpcg.g.airelinux.org/user/xubd/lecture-python.ipynb :exports both
### SVM regression
from sklearn.svm import SVR
from sklearn.pipeline import make_pipeline
from sklearn.preprocessing import StandardScaler
regr = make_pipeline(StandardScaler(), SVR(C=1.0, epsilon=0.2))
regr.fit(X, y)
#+end_src
*** 决策树
#+begin_src ein-python :results output :session https://dpcg.g.airelinux.org/user/xubd/lecture-python.ipynb :exports both
### GBoost
from sklearn.ensemble import GradientBoostingRegressor
from sklearn.model_selection import train_test_split
X_train, X_test, y_train, y_test = train_test_split(
X, y, random_state=0)
reg = GradientBoostingRegressor(random_state=0)
reg.fit(X_train, y_train)
reg.predict(X_test[1:2])
reg.score(X_test, y_test)
#+end_src
*** 神经网络
#+begin_src ein-python :results output :session https://dpcg.g.airelinux.org/user/xubd/lecture-python.ipynb :exports both
### 神经网络
from sklearn.neural_network import MLPRegressor
regr = MLPRegressor(random_state=1, max_iter=500).fit(X_train, y_train)
regr.predict(X_test[:2])
regr.score(X_test, y_test)
#+end_src

** 可微编程
*** 可微编程
把程序的函数看成数学函数，让函数输出的返回值相对于输入参数可微。

#+begin_export latex
\begin{equation*}
y = f(x) \to \dfrac{\mathrm{d} f}{\mathrm{d} x}
\end{equation*}
#+end_export

自动进行解析微分。

** 概率编程
*** 概率编程
#+begin_export latex
\begin{equation*}
y = f(x) \to Y=F(X)
\end{equation*}
#+end_export
把普通函数关系，自动换成随机变量之间的函数关系。

**** 随机变量
样本空间 \(S=\{e\}\) 的实单值

** 总复习
*** 黑客技能
Expand Down Expand Up @@ -12497,43 +12506,6 @@ Number of Fisher Scoring iterations: 5
bsub -q normal"${DEP}" -J ${MAKE_TARGET} -o ${MAKE_TARGET}.log ${MAKE_TARGET}.sh
#+end_src

** 讲义
*** 建设状况
- https://git.tsinghua.edu.cn/physics-data/lecture
**** c :BMCOL:
:PROPERTIES:
:BEAMER_col: 0.55
:END:
#+begin_src bash :results output
head -q -n1 lecture/l*.org
#+end_src

#+RESULTS:
#+begin_example
,#+TITLE: 第一讲 实验物理的大数据方法总论 DONE
,#+TITLE: 第二讲 Python基础 DONE
,#+TITLE: 第三讲 复合类型与函数 DONE
,#+TITLE: 第四讲 Python 模块 DONE
,#+TITLE: 第五讲 数组 DONE
,#+Title: 第六讲 数据格式 DONE
,#+Title: 第七讲 数据绘图 TODO
,#+Title: 第八讲 蒙特卡罗方法与大作业 TODO
,#+Title: 第九讲 GNU 命令行 TODO
,#+Title: 第十讲 GNU Make 数据生产线 TODO
,#+Title: 第十一讲 正则表达式 TODO
,#+Title: 第十二讲 bash 脚本 TODO
,#+Title: 第十三讲 关系代数 TODO
,#+Title: 第十四讲 DataFrame 表格数据结构 TODO
,#+Title: 第十五讲 关系代数与回归分析 TODO
,#+Title: 第十六讲 现实案例与未来方向 TODO
#+end_example
**** e :BMCOL:
:PROPERTIES:
:BEAMER_col: 0.45
:END:
- 给讲义仓库提 issue 和 merge request ，可获得伍至捌分。
- 一次原则的应用：把讲议与课件写到一起
+ 把课堂口述内容通过 speech-to-text 引擎合成文字
** 下一步学习
*** 数据时代的物理技能
[[./out/Data_Science_VD-migrate.pdf]]
Expand Down Expand Up @@ -12569,18 +12541,14 @@ head -q -n1 lecture/l*.org
- 机器学习：与回归分析有同样的程序接口
- 算法上更一般，需要更多的“调参”
**** 竞赛
- gamma 大作业 \to Ghost Hunter 2023 中微子数据分析排位赛
- probe 大作业 \to Ghost Hunter 2024 中微子数据分析排位赛
- 概率统计分析及量测技术课赛结合

*** 技术问题：TUNA 协会
- 清华大学学生开源软件与网络技术协会
- TUNA 主页 https://tuna.moe/
- TUNA 技术群，黑客（广义）技术问题探讨
- 为课程提供了
+ Gentoo 的镜像支持

https://mirrors.tuna.tsinghua.edu.cn/gentoo/

+ Debian 的镜像支持

https://mirrors.tuna.tsinghua.edu.cn/debian/
Expand All @@ -12595,12 +12563,9 @@ head -q -n1 lecture/l*.org
#+beamer: \pause

- Google Summer of Code：Google
+ Gentoo、Debian 操作系统相关项目
+ Debian、Gentoo 操作系统相关项目
- 开源之夏活动：中科院软件所、华为、TUNA
+ Gentoo、Debian 操作系统相关项目

#+beamer: \pause
- 脱去资本枷锁，为人类数字化的自由而战(bs，有点中二
+ Debian、Gentoo 操作系统相关项目

*** SRT 与大创：Scheme
如果你认同实验物理与形式逻辑是文明的两大支柱，并喜欢课程的内容，可以考虑与我继续探索：
Expand Down

0 comments on commit d71e315

Please sign in to comment.