Data-Driven Science and Engineering: Machine Learning, Dynamical Systems, and Control

Steven L. Brunton, J. Nathan Kutz

⬅ Site principal · ⬅ Notas

Edição: 2ª ed., Cambridge University Press, 2022

Capítulo 1 — Singular Value Decomposition (SVD)

  • Nota 1 — 1.1–1.2 SVD e aproximações de matrizes
  • Nota 2 — 1.3 Propriedades matemáticas e manipulações (prevista)
  • Nota 3 — 1.4 Pseudoinversa, mínimos quadrados e regressão (prevista)
  • Nota 4 — 1.5–1.6 Análise de componentes principais (PCA) e o exemplo eigenfaces (prevista)
  • Nota 5 — 1.7 Truncamento e alinhamento (prevista)
  • Nota 6 — 1.8 SVD randomizada (prevista)
  • Nota 7 — 1.9 Decomposições tensoriais e arranjos de dados N-dimensionais (prevista)

Capítulo 2 — Fourier and Wavelet Transforms

  • Nota 8 — 2.1 Séries e transformadas de Fourier (prevista)
  • Nota 9 — 2.2 Transformada discreta de Fourier (DFT) e FFT (prevista)
  • Nota 10 — 2.3 Transformando equações diferenciais parciais (prevista)
  • Nota 11 — 2.4–2.5 Transformada de Gabor, espectrograma e transformada de Laplace (prevista)
  • Nota 12 — 2.6–2.7 Wavelets, análise multirresolução e transformadas bidimensionais (prevista)

Capítulo 3 — Sparsity and Compressed Sensing

  • Nota 13 — 3.1–3.2 Esparsidade, compressão e compressed sensing (prevista)
  • Nota 14 — 3.3–3.4 Exemplos de compressed sensing e a geometria da compressão (prevista)
  • Nota 15 — 3.5–3.6 Regressão esparsa e representação esparsa (prevista)
  • Nota 16 — 3.7–3.8 PCA robusta (RPCA) e posicionamento esparso de sensores (prevista)