Data-Driven Science and Engineering
This course teaches from the book 《Data-Driven Science and Engineering》 by Prof. Steven L. Brunton and Prof. J. Nathan Kutz. This book brings together machine learning, engineering mathematics, and mathematical physics to integrate modeling and control of dynamical systems with modern methods in data science. It highlights many of the recent advances in scientific computing that enable data-driven methods to be applied to a diverse range of complex systems, such as turbulence, the brain, climate, epidemiology, finance, robotics, and autonomy. Aimed at advanced undergraduate and beginning graduate students in the engineering and physical sciences, the text presents a range of topics and methods from introductory to state of the art.
本课程采用由Steven L. Brunton教授和J. Nathan Kutz教授编写的《Data-Driven Science and Engineering》一书进行教学。该书结合了机器学习、工程数学和数学物理，将动力系统的建模和控制与现代数据科学方法整合在一起。它强调了科学计算中许多最新的进展，这些进展使得数据驱动的方法可以应用于各种复杂系统，如湍流、大脑、气候、流行病学、金融、机器人和自主系统等。该课程面向高年级本科生和低年级研究生，涵盖了从入门到前沿的各类主题和方法。
本课程采用由Steven L. Brunton教授和J. Nathan Kutz教授编写的《Data-Driven Science and Engineering》一书进行教学。该书结合了机器学习、工程数学和数学物理，将动力系统的建模和控制与现代数据科学方法整合在一起。它强调了科学计算中许多最新的进展，这些进展使得数据驱动的方法可以应用于各种复杂系统，如湍流、大脑、气候、流行病学、金融、机器人和自主系统等。该课程面向高年级本科生和低年级研究生，涵盖了从入门到前沿的各类主题和方法。
讲师
日期
2024年09月13日 至 2025年01月03日
位置
| Weekday | Time | Venue | Online | ID | Password |
|---|---|---|---|---|---|
| 周五 | 14:20 - 16:55 | A3-4-101 | ZOOM 01 | 928 682 9093 | BIMSA |
修课要求
optimization, matrix computation, statistics, differential equation, python
课程大纲
I Dimensionality Reduction and Transforms 1
1 Singular Value Decomposition (SVD)
2 Fourier and Wavelet Transforms
3 Sparsity and Compressed Sensing
II Machine Learning and Data Analysis
4 Regression and Model Selection
5 Clustering and Classification
6 Neural Networks and Deep Learning
III Dynamics and Control
7 Data-Driven Dynamical Systems
8 Linear Control Theory
9 Balanced Models for Control
IV Advanced Data-Driven Modeling and Control
10 Data-Driven Control
11 Reinforcement Learning
12 Reduced-Order Models (ROMs)
13 Interpolation for Parametric Reduced-Order Models
14 Physics-Informed Machine Learning
1 Singular Value Decomposition (SVD)
2 Fourier and Wavelet Transforms
3 Sparsity and Compressed Sensing
II Machine Learning and Data Analysis
4 Regression and Model Selection
5 Clustering and Classification
6 Neural Networks and Deep Learning
III Dynamics and Control
7 Data-Driven Dynamical Systems
8 Linear Control Theory
9 Balanced Models for Control
IV Advanced Data-Driven Modeling and Control
10 Data-Driven Control
11 Reinforcement Learning
12 Reduced-Order Models (ROMs)
13 Interpolation for Parametric Reduced-Order Models
14 Physics-Informed Machine Learning
参考资料
http://www.databookuw.com
听众
Advanced Undergraduate
, Graduate
, 博士后
, Researcher
视频公开
公开
笔记公开
不公开
语言
中文
讲师介绍
蔡云峰从2000年9月到2004年7月在中国科学技术大学数学系学习。2004年9月，他进入北京大学数学学院开始研究生的学习，并于2009年1月获得理学博士学位。在2009年1月到2012年6月期间，他先后在中科院数学所与美国加州大学戴维斯分校从事博士后工作。2012年9月，他加入北京大学数学学院，任特聘研究员。2018年9月他加入百度研究院，从事人工智能的研究工作。2024年6月，他加入BIMSA，获聘教授。