Dangdang.com Наука и инженерия, основанная на данных: подробное объяснение машинного обучения, энергетических систем и управления, промышленных сельскохозяйственных технологий, машиностроения, Machinery Industry Press, подлинных книг
Цена: 2 405руб. (¥113.8)
Артикул: 653749356386
Вес товара: ~0.7 кг. Указан усредненный вес, который может отличаться от фактического. Не включен в цену, оплачивается при получении.
Описание товараПродавец:当当官方旗舰店
Рейтинг:
Всего отзывов:0
Положительных:0
Добавить в корзину
Другие товары этого продавца
¥40.95866руб.
¥10.4220руб.
¥29613руб.
¥20.3429руб.
......ПереводчикПредисловие
Общие методы оптимизации, уравнения, символы и сокращения
Уменьшение и преобразование размерности детали
Глава 1. Разложение по сингулярным значениям 1.
1.1 Обзор 1
1.2 Матричная аппроксимация 4
1.3 Математические свойства и методы работы 7
1.4 Псевдообратная функция, метод наименьших квадратов и регрессия 11
1.5 Анализ главных компонентов 16
1.6 Пример собственного лица 20
1.7 Усечение и выравнивание 24
1.8 Стохастическое разложение по сингулярным значениям 29
1.9 Тензорное разложение и N-сторонний массив данных 33
Глава 2 Преобразование Фурье и вейвлет-преобразование 37
2.1 Ряд Фурье и преобразование Фурье 37
2.2 Дискретное преобразование Фурье и быстрое преобразование Фурье 45
2.3 Преобразование уравнений в частных производных 51
2.4 Преобразование Габора и спектрограмма 56
2.5 Вейвлеты и анализ с несколькими разрешениями 61
2.6 Двумерное преобразование и обработка изображений 63
Глава 3. Разреженность и сжатое измерение 68
3.1 Разреженность и сжатие 68
3.2 Сжатое измерение 71
3.3 Пример измерения сжатых данных 74
3.4 Сжатая геометрия 77
3.5 Разреженная регрессия 80
3.6 Разреженное представление 83
3.7 Робастный анализ главных компонентов 87
3.8 Размещение редких датчиков 89
Часть 2. Машинное обучение и анализ данных
Глава 4. Регрессия и выбор модели 95
4.1 Классический изгиб 96
4.2 Нелинейная регрессия и градиентный спуск 101
4.3 Регрессия и система уравнений Ax = b: переопределенная и недоопределенная системы 106
4.4 Оптимизация – краеугольный камень регрессии 111
4.5 Граница Парето и принцип экономии 115
4.6 Выбор модели: перекрестная проверка 119
4.7 Выбор модели: информационный критерий 123
Глава 5. Кластеризация и классификация 127
5.1 Выбор функций и интеллектуальный анализ данных 127
5.2 Обучение с учителем и обучение без учителя 132
5.3 Обучение без учителя: кластеризация k-средних 135
5.4 Неконтролируемая иерархическая кластеризация: дендрограмма 139
5.5 Смешанные модели и алгоритмы ожидания 142
5.6 Обучение с учителем и линейная дискриминация 145
5.7 Машины опорных векторов 149
5.8 Деревья классификации и случайные леса 153
5.9 Десять лучших алгоритмов интеллектуального анализа данных в 2008 году 158
Глава 6. Нейронные сети и глубокое обучение 161
6.1 Нейронная сеть: однослойная сеть 162
6.2 Многоуровневые сети и функции активации 165
6.3 Алгоритм обратного распространения ошибки 170
6.4 Алгоритм стохастического градиентного спуска 172
6.5. Глубокая сверточная нейронная сеть 175
6.6 Динамическая система нейронной сети 178
6.7 Разнообразие нейронных сетей 182
Часть 3 Динамика и управление
Глава 7. Энергетические системы, управляемые данными 189
7.1 Обзор, мотивация и проблемы 190
7.2 Динамическая модальная декомпозиция 194
7.3. Разреженная идентификация нелинейной динамики 203
7.4 Теория операторов Купмана 212
7.5 Анализ Купмана на основе данных 220
Глава 8 Теория линейного управления 229
8.1 Управление с обратной связью 230
8.2. Линейные стационарные системы 233
8.3. Управляемость и наблюдаемость 238
8.4 Полноценное управление: линейный квадратичный регулятор 243
8.5 Оценка полного состояния: фильтр Калмана 246
8.6 Управление с помощью датчика: линейно-квадратичное по Гауссу 249
8.7 Практический пример: перевернутый маятник на тележке 250
8.8 Надежное управление и технология частотной области 257
Глава 9. Управление сбалансированной моделью 267.
9.1 Редукция модели и идентификация системы 267
9.2 Редукция сбалансированной модели 268
9.3 Идентификация системы 279
Глава 10 Управление, управляемое данными 288
10.1 Управление идентификацией нелинейной системы 289
10.2 Управление машинным обучением 294
10.3 Адаптивное управление поиском экстремальных значений 302
Часть 4. Модель сокращенного заказа
Глава 11 Технология POD 311
11.1 POD311 уравнений в частных производных
11.2 Примитив: расширение POD 316
11.3. POD и динамика солитонов 320
11.4 Непрерывная формула POD 324
11.5 ПОД Симметрии: вращение и трансляция 328
Глава 12. Интерполяция параметрической модели пониженного порядка 335
12.1 Отсутствует POD335
12.2 Ошибка и сходимость отсутствия POD 340
12.3 Отсутствующее измерение: сведите к минимуму условие номер 343.
12.4 Недостающие показатели: отклонение 348
12.5 POD и дискретные эмпирические методы интерполяции 351
12.6 Реализация алгоритма DEIM 354
12.7 Машинное обучение ROM357
Терминология 362
Ссылка 367
Индекс 395
......Исследования, основанные на данных, производят революцию в моделировании, прогнозировании и управлении сложными системами.Эта книга, предназначенная для студентов и аспирантов старших курсов, представляет собой комплексную перспективу, показывающую, как новые методы, такие как наука о данных, интеллектуальный анализ данных и методы машинного обучения, могут применяться в инженерных и физических науках.............
