![[Recension] Data-Driven Science and Engineering (Steven L. Brunton) Sammanfattad.](https://episodes.castos.com/660078c6833215-59505987/images/2576126/c1a-085k3-3439n8o5bjz1-hcdcvk.jpg)
Show Notes
Data-Driven Science and Engineering (Steven L. Brunton)
- Amazon Sweden Store: https://www.amazon.se/dp/1009098489?tag=9natreeswe-21
- Amazon Worldwide Store: https://global.buys.trade/Data-Driven-Science-and-Engineering-Steven-L-Brunton.html
- Apple Books: https://books.apple.com/us/audiobook/data-driven-science-and-engineering-mastering-the/id1762587111?itsct=books_box_link&itscg=30200&ls=1&at=1001l3bAw&ct=9natree
- eBay: https://www.ebay.com/sch/i.html?_nkw=Data+Driven+Science+and+Engineering+Steven+L+Brunton+&mkcid=1&mkrid=711-53200-19255-0&siteid=0&campid=5339060787&customid=9natree&toolid=10001&mkevt=1
- Läs mer: https://swedish.9natree.com/read/1009098489/
#Sparsidentifieringavolinjäradynamiskasystem,SINDy #DynamicModeDecomposition,DMD #Dimensionsreduktionochlågrangmodeller #Datadrivenreglerteknikochförstärkningsinlärning #Fysikinformeradmaskininlärning #DataDrivenScienceandEngineering
Data-Driven Science and Engineering: Machine Learning, Dynamical Systems, and Control är en avancerad lärobok om hur data kan användas för att beskriva, förutsäga och styra komplexa system. Den andra upplagan, av Steven L. Brunton och J. Nathan Kutz, placerar maskininlärning i ett ingenjörs- och naturvetenskapligt sammanhang, där målet inte bara är en träffsäker prognos utan en modell som går att förstå och använda. Boken förenar tillämpad linjär algebra, optimering, dynamiska system och reglerteknik med moderna datadrivna metoder. Den behandlar bland annat dimensionsreduktion, Dynamic Mode Decomposition, sparsamma modeller för systemidentifiering och metoder för styrning. I den uppdaterade upplagan ingår också avsnitt om förstärkningsinlärning och fysikinformerad maskininlärning. Perspektivet är praktiskt men matematiskt grundat. Läsaren får verktyg för att analysera system där ekvationerna är okända, ofullständiga eller för svåra att lösa direkt, exempelvis inom strömningslära, klimat, robotik, epidemiologi och neurovetenskap. Det är alltså inte en allmän introduktion till artificiell intelligens, utan en sammanhängande kurs i datadriven vetenskap för system med dynamik över tid.
- Amazon Sweden Store: https://www.amazon.se/dp/1009098489?tag=9natreeswe-21
- Amazon Worldwide Store: https://global.buys.trade/Data-Driven-Science-and-Engineering-Steven-L-Brunton.html
- Apple Books: https://books.apple.com/us/audiobook/data-driven-science-and-engineering-mastering-the/id1762587111?itsct=books_box_link&itscg=30200&ls=1&at=1001l3bAw&ct=9natree
- eBay: https://www.ebay.com/sch/i.html?_nkw=Data+Driven+Science+and+Engineering+Steven+L+Brunton+&mkcid=1&mkrid=711-53200-19255-0&siteid=0&campid=5339060787&customid=9natree&toolid=10001&mkevt=1
- Läs mer: https://swedish.9natree.com/read/1009098489/
#Sparsidentifieringavolinjäradynamiskasystem,SINDy #DynamicModeDecomposition,DMD #Dimensionsreduktionochlågrangmodeller #Datadrivenreglerteknikochförstärkningsinlärning #Fysikinformeradmaskininlärning #DataDrivenScienceandEngineering
Data-Driven Science and Engineering: Machine Learning, Dynamical Systems, and Control är en avancerad lärobok om hur data kan användas för att beskriva, förutsäga och styra komplexa system. Den andra upplagan, av Steven L. Brunton och J. Nathan Kutz, placerar maskininlärning i ett ingenjörs- och naturvetenskapligt sammanhang, där målet inte bara är en träffsäker prognos utan en modell som går att förstå och använda. Boken förenar tillämpad linjär algebra, optimering, dynamiska system och reglerteknik med moderna datadrivna metoder. Den behandlar bland annat dimensionsreduktion, Dynamic Mode Decomposition, sparsamma modeller för systemidentifiering och metoder för styrning. I den uppdaterade upplagan ingår också avsnitt om förstärkningsinlärning och fysikinformerad maskininlärning. Perspektivet är praktiskt men matematiskt grundat. Läsaren får verktyg för att analysera system där ekvationerna är okända, ofullständiga eller för svåra att lösa direkt, exempelvis inom strömningslära, klimat, robotik, epidemiologi och neurovetenskap. Det är alltså inte en allmän introduktion till artificiell intelligens, utan en sammanhängande kurs i datadriven vetenskap för system med dynamik över tid.
