University of Heidelberg

Datenanalyse mit dem C++ Toolkit ROOT (SS 2019)

Diese Kombination aus Vorlesung und Übungen vermittelt einen Einblick in spezielle Aspekte der computergestützten Datenanalyse unter Verwendung des C++ Toolkits ROOT. Es handelt sich hier um eine Vertiefung des Einführungskurses im WS 2018/19.

Nach einer kurzen Wiederholung der wichtigsten Aspekte von ROOT werden Methoden der Datenanpassung anhand von Beispielprogrammen unter Verwendung des Datenanpassungsrahmens MINUIT diskutiert. Mit Hilfe der ROOT Erweiterung RooFit/RooStat werden statistische Methoden zur Bestimmung und Simulation von Modellparametern erläutert. Ausserdem werden multivariate Datenanalysetechniken und Neuronale Netzwerke mit TMVA/ROOT und TensorFlow behandelt. GPU Computing soll mit Hilfe von CUDA und der Thrust Bibliothek demonstriert werden.

Zielgruppe

Studenten mit C++ Kenntnissen (Pointer, Funktionen und Klassen)

Der Kurs ist im Bachelor- und Masterstudiengang Physik (Wahlmodule) anrechenbar und bringt 4 Leistungspunkte.

Max Anzahl der Teilnehmer

25 entsprechend der Zahl der Plätze im CIP Pool des Physikalischen Instituts (INF 226). Eine Voranmeldung zu diesem Kurs ist notwendig und kann ab dem 12.3.2019 unter folgendem Link erfolgen.

Veranstaltungsdetails

Ort: CIP Pool des Physikalischen Instituts (INF 226, Raum 1.305)
Zeit: Freitags 13:30 - 16:30 Uhr

Themen

  • ROOT - ein (interaktives) Datenanalyse Toolkit
  • Auswertung und Darstellung von Messdaten
  • Anpassung von Funktionen (Fit) an Messdaten mit Hilfe von Minuit
  • RooFit - eine Erweiterung von ROOT zur Bestimmung und Simulation von Modellparametern
  • TMVA und Tensorflow - Multivariate Datenanalyse und Neuronale Netze
  • GPU computing mit CUDA
  • Programm (aktivierte Topics)

    Einleitung
    C++/ROOT Wiederholung
    Wahrscheinlichkeitsverteilungen (Griedel)
    Statistische Testverfahren (Morgentaler)
    Fast Fourier Transformation (Holzwarth)
    STL Algorithmen (Sonntag)
    Datenanpassung mit Minuit
    Datenanpassung mit rooFit
    GPU computing mit CUDA (Volkmann)
    CUDA System setup und Thrust Bibliothek
    Multivariate Analyse mit TMVA
    TensorFlow (Piotter)
    Deep Neural Network mit TensorFlow und Keras

    Leistungsnachweis

    Kriterien für einen Leistungsnachweis sind:
  • Anwesenheit und aktive Mitarbeit während des Kurses
  • Hausaufgaben
  • Seminararbeit
  • Fragen, Kommentare, Anregungen

    Bitte per mail an Jörg Marks, marks at physi.uni-heidelberg.de
    Webmaster:
    IT Department