數據驅動的科學和工程機器學習、動力系統與控制詳解(原書第2版)

王占山

數據驅動的科學和工程機器學習、動力系統與控制詳解(原書第2版)

相關主題

商品描述

數據驅動的研究給覆雜系統的建模、預測和控 制帶來了技術革新。本書基於數據驅動發現，將動 力系統的建模、控制、優化和數據方法結合起來構 築知識架構，梳理了機器學習、動力系統和控制之 間的內在關系，初步探索了一種數據驅動發現的智 能理論和方法。本書的主題涉及應用優化、降維、 機器學習、動力學與控制以及降階方法，從多維度 反映了交叉學科研究的特點。相較於 版，本書增 加了關於強化學習和物理信息機器學習的兩章內容 並提供一些輔助程序，適合數據科學、數據挖掘和 機器學習等專業的高年級本科生和研究生閱讀。

作者簡介

史蒂文·L. 布倫頓
（Steven L. Brunton）
美國華盛頓大學（UW）機械工程系James B. Morrison教授，美國國家科學基金會（NSF）動態系統人工智能研究所（AI Institute in Dynamic Systems）副主任。他同時擔任應用數學系的兼職副教授（Adjunct Professor）以及科研信息化研究所（eScience Institute）的數據科學研究員（Data-Science Fellow）。他的研究將機器學習同動力/動態系統和控制相結合，應用於流體力學、生物運動、光學、能源系統和制造等領域。他是三本教材的作者，曾獲美國華盛頓大學工程學院教學獎（UW College of Engineering Teaching Award）、美國陸軍和空軍青年研究員計劃（YIP）獎（Army and Air Force Young Investigator Program Awards）以及美國青年科學家和工程師總統獎（Presidential Early Career Award for Scientists and Engineers，PECASE）。
J. 內森·庫茨
（J. Nathan Kutz）
美國華盛頓大學（UW）Robert Bolles和Yasuko Endo講席教授，美國國家科學基金會（NSF）動態系統人工智能研究所（AI Institute in Dynamic Systems）主任。他同時擔任電氣和計算機工程系、機械工程系和物理系的兼職教授（Adjunct Professor）以及科研信息化研究所（eScience Institute）的數據科學研究員（Data-Science Fellow）。他的研究興趣在於動態系統和機器學習的交叉領域。他是三本教材的作者，曾獲應用數學波音卓越教學獎（Applied Mathematics Boeing Award of Excellence in Teaching）和美國國家科學基金會青年教師發展（NSF CAREER）獎。

目錄大綱

本書讚譽
譯者序
前言
常見的優化方法、方程、符號和縮略語
致謝
部分　降維和變換
第1章 奇異值分解　
1.1 概述　
1.2 矩陣近似　
1.3 數學性質和操作方法　
1.4 偽逆、 小二乘和回歸　
1.5 PCA　
1.6 特征臉示例　
1.7 截斷和對齊　
1.8 隨機SVD　
1.9 張量分解和N路數據數組　
閱讀　
作業　
第2章 傅裏葉變換與小波變換　
2.1 傅裏葉級數和傅裏葉變換　
2.2 DFT和FFT　
2.3 PDE的變換　
2.4 Gabor變換和頻譜圖　
2.5 拉普拉斯變換　
2.6 小波和多分辨率分析　
2.7 二維變換和圖像處理　
閱讀　
作業　
第3章 稀疏性和壓縮感知　
3.1 稀疏性和壓縮　
3.2 壓縮感知　
3.3 壓縮感知示例　
3.4 壓縮幾何　
3.5 稀疏回歸　
3.6 稀疏表示　
3.7 魯棒主成分分析　
3.8 稀疏傳感器布置　
閱讀　
作業　
第二部分　機器學習和數據分析
第4章 回歸和模型選擇　
4.1 經典曲線擬合　
4.2 非線性回歸與梯度下降　
4.3 回歸與Ax=b：超定系統和欠定
系統　
4.4 優化是回歸的基石　
4.5 帕累托邊界和簡約性原則　
4.6 模型選擇：交叉驗證　
4.7 模型選擇：信息準則　
閱讀　
作業　
第5章 聚類和分類　
5.1 特征選擇和數據挖掘　
5.2 有監督學習和無監督學習　
5.3 無監督學習：k均值聚類　
5.4 無監督層次聚類：樹狀圖　
5.5 混合模型和期望 算法　
5.6 監督學習和線性判別　
5.7 SVM　
5.8 分類樹和隨機森林　
5.9 2008年數據挖掘十大算法
（深度學習革命之前）　
閱讀　
作業　
第6章 神經網絡和深度學習　
6.1 NN：單層網絡　
6.2 多層網絡和激活函數　
6.3 反向傳播算法　
6.4 隨機梯度下降算法　
6.5 DCNN　
6.6 動力系統的NN　
6.7 RNN　
6.8 自動編碼器　
6.9 生成對抗網絡　
6.10 NN的多樣性　
閱讀　
作業　
第三部分　動力學與控制
第7章 數據驅動的動力系統　
7.1 概述、動機和挑戰　
7.2 動態模態分解（DMD）　
7.3 非線性動力學的稀疏辨識
（SINDy）　
7.4 Koopman算子理論　
7.5 數據驅動的Koopman分析　
閱讀　
作業　
第8章 線性控制理論　
8.1 閉環反饋控制　
8.2 線性時不變系統　
8.3 能控性與能觀性　
8.4 全狀態控制：線性二次型
調節器　
8.5 全狀態估計：卡爾曼濾波器　
8.6 基於傳感器的 控制：線性
二次型高斯　
8.7 案例研究：小車倒立擺系統　
8.8 魯棒控制和頻域技術　
閱讀　
作業　
第9章 平衡模型控制　
9.1 模型約簡與系統辨識　
9.2 平衡模型約簡　
9.3 系統辨識　
閱讀　
作業　
第四部分　 的數據驅動建模與控制
0章 數據驅動控制　
10.1 模型預測控制　
10.2 用於控制的非線性系統辨識　
10.3 機器學習控制　
10.4 自適應極值搜索控制　
閱讀　
作業　
1章 強化學習　
11.1 概述和數學表示　
11.2 基於模型的優化與控制　
11.3 無模型強化學習與Q學習　
11.4 深度強化學習　
11.5 應用和環境　
11.6 非線性控制　
閱讀　
作業　
2章 降階模型　
12.1 應用於PDE的POD　
12.2 基元：POD展開　
12.3 POD和孤立子動力學　
12.4 POD的連續公式　
12.5 對稱性的POD：旋轉和平移　
12.6 基於POD的時間步進神經網絡　
12.7 基於DMD和SINDy的Galerkin-POD　
閱讀　
作業　
3章 參數降階模型的插值　
13.1 Gappy POD　
13.2 Gappy POD的誤差和收斂性　
13.3 Gappy測量： 小化條件數　
13.4 Gappy測量： 化方差　
13.5 POD和DEIM　
13.6 DEIM算法的實現　
13.7 插值解碼器網絡　
13.8 降階模型的隨機化和壓縮　
13.9 機器學習的降階模型　
閱讀　
作業　
4章 物理信息機器學習　
14.1 數學基礎　
14.2 SINDy自動編碼器：坐標和
動力學　
14.3 Koopman預測　
14.4 學習非線性算子　
14.5 物理信息神經網絡　
14.6 PDE的學習粗粒度　
14.7 深度學習與邊界值問題　
閱讀和作業　
術語　

類似商品