Βαθμονόμηση αδρονικών πιδάκων από τη
διάσπαση του τόπ-κουάρκ με χρήση
μηχανικής μάθησης

Θεολογής, Νικόλαος; Theologis, Nikolaos

dc.contributor.author	Θεολογής, Νικόλαος	el
dc.contributor.author	Theologis, Nikolaos	en
dc.date.accessioned	2022-11-02T06:59:56Z
dc.date.available	2022-11-02T06:59:56Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/56055
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.23753
dc.rights	Αναφορά Δημιουργού 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by/3.0/gr/	*
dc.subject	Φυσική Υψηλών Ενεργειών	el
dc.subject	High Energy Physics	en
dc.subject	Μηχανική Μάθηση	el
dc.subject	Machine Learning	en
dc.subject	Νευρωνικά Δίκτυα	el
dc.subject	Neural Networks	en
dc.subject	Boosted Decision Trees	en
dc.subject	Ενδυναμωμένα Δέντρα Απόφασης	el
dc.subject	Ανδρονικοί Πίδακες	el
dc.subject	Hadronic Jets	en
dc.title	Βαθμονόμηση αδρονικών πιδάκων από τη διάσπαση του τόπ-κουάρκ με χρήση μηχανικής μάθησης	el
dc.title	Calibration of hadronic jets from the decay of the top-quark using machine learning	en
heal.type	bachelorThesis
heal.classification	Φυσική Υψηλών Ενεργειών	el
heal.language	el
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2022-12-15
heal.abstract	Στην παρούσα διπλωματική εργασία γίνεται μελέτη των αλγορίθμων παλινδρόμησης μηχανικής μάθησης με επίβλεψη στον τομέα της φυσικής των στοιχειωδών σωματιδίων. Συγκεκριμένα οι αλγόριθμοι που μελετήθηκαν και εφαρμόστηκαν είναι: ο απλός γραμμικός ταξινομητής, τα τεχνητά νευρωνικά δίκτυα και τα ενδυναμωμένα δέντρα απόφασης. Τα δεδομένα που χρησιμοποιήθηκαν τόσο για την εκπαίδευση, όσο και για τον έλεγχο των μεθόδων σχετίζονται με την φυσική υψηλών ενεργειών, αντικείμενο το οποίο απαιτεί ανάλυση μεγάλου όγκου δεδομένων. Ειδικότερα τα δεδομένα προήλθαν από Monte Carlo προσομοίωση συγκρούσεων πρωτονίου-πρωτονίου εντός των ανιχνευτών του Ευρωπαικού Κέντρου Πυρηνικών Ερευνών (CERN). Η ανάλυση έγινε τόσο σε θεωρητικό όσο και σε πρακτικό επίπεδο. Θεωρητικά μελετώντας το μαθηματικό υπόβαθρο των μοντέλων παλινδρόμησης και πρακτικά προγραμματίζοντας τις μεθόδους μέσα από το λογισμικό TMVA του ROOT. Ο κώδικας που γράφτηκε για την μελέτη των μεθόδων στην γλώσσα pyROOT δίνεται στα παραρτήματα στο τέλος.	el
heal.abstract	The subject of this thesis is the study of the supervised machine learning regression algorithms used in the field of elementary particle physics. In particular, the algorithms which were studied and applied were the linear discriminant, the multilayer perceptron neural networks and the boosted descision trees. The data that was used to both train and test the algorithms is related to high-energy physics, a sector which requires big data analysis. More specifically, the data came from Monte Carlo simulations of proton-proton collisions inside the detectors of the European Organization for Nuclear Research (CERN). The analysis was made both theoretically and practically which is the way the chapters of this thesis are structured. Theoretically by studying the underlying mathematics of the regression models that were used and practically by programming these methods with the TMVA software of ROOT. The code written for the study of the methodes in the pyROOT format is given in the annexes at the end.	en
heal.advisorName	Κουσουρής, Κωνσταντίνος	el
heal.committeeMemberName	Κουσουρής, Κωνσταντίνος	el
heal.committeeMemberName	Τσιπολίτης, Γεώργιος	el
heal.committeeMemberName	Τζαμαριουδάκη, Αικατερίνη	el
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών. Τομέας Φυσικής	el
heal.academicPublisherID	ntua
heal.numberOfPages	89 σ.	el
heal.fullTextAvailability	false