文件名称：隐式格式的MATLAB代码-PCSML:PCSML
文件大小：15.59MB
文件格式：ZIP
更新时间：2024-06-11 01:37:23
系统开源
隐式格式的MATLAB代码18.337J / 6.338J：并行计算与科学机器学习 技术计算有两个主要分支：机器学习和科学计算。 在过去的十年中，机器学习受到了很多炒作，例如卷积神经网络和TSne非线性降维等技术为新一代数据驱动的分析提供了动力。 另一方面，许多科学学科通过微分方程建模进行大规模建模，着眼于描述科学定律的随机微分方程和偏微分方程。 但是，这两个学科最近融合在一起。 科学机器学习这个领域一直在展示一些结果，例如如何使用神经网络加速偏微分方程的仿真。 已经开始专门开发新方法，例如概率编程和微分编程，以增强该领域的工具。 但是，该领域的技术将计算和数值实践的两个巨大领域结合在一起，这意味着这些方法足够复杂。 您如何反向传播由神经网络定义的ODE？ 您如何进行科学模拟器的无监督学习？ 在本课程中，我们将深入研究这些方法，并了解它们的作用，制造原因，以及如何在各个领域集成数值方法，以突出其利弊，同时减轻其弊端。 本课程将对数字技术进行一次调查，展示多少门学科以不同的名称从事同一工作，并使用一种通用的数学语言来导出有效的例程，以捕获数据驱动和基于机械的建模。 但是，如果天真地编码，
【文件预览】：
PCSML-master
----lecture1()
--------scientific_ml.pptx(9.4MB)
----hw2()
--------hw2.html(19KB)
--------hw2.jmd(3KB)
----README.md(28KB)
----lecture7()
--------discretizing_odes.html(978KB)
--------discretizing_odes.jmd(28KB)
----lecture13()
--------gpus.jmd(7KB)
--------gpus.html(49KB)
----lecture16()
--------probabilistic_programming.html(296KB)
--------probabilistic_programming.jmd(25KB)
----lecture5()
--------parallelism_overview.html(111KB)
--------parallelism_overview.jmd(24KB)
----lecture10()
--------estimation_identification.html(50KB)
--------estimation_identification.jmd(29KB)
----lecture9()
--------stiff_odes.html(52KB)
--------stiff_odes.jmd(30KB)
----hw1()
--------hw1.jmd(6KB)
--------hw1.html(23KB)
----lecture15()
--------diffeq_machine_learning.html(44KB)
--------diffeq_machine_learning.jmd(25KB)
----misc()
--------Parallel Computing and Scientific Machine Learning Flyer.docx(242KB)
----lecture14()
--------pdes_and_convolutions.html(40KB)
--------pdes_and_convolutions.jmd(18KB)
----lecture2()
--------optimizing.jmd(40KB)
--------optimizing.html(246KB)
----lecture6()
--------styles_of_parallelism.html(113KB)
--------styles_of_parallelism.jmd(32KB)
----lecture12()
--------OptimizingXeonPhi-PID6086383.pdf(329KB)
--------PerformanceMetricsSoftwareArchitecture.pdf(1.25MB)
--------MPI.jl.pdf(1.9MB)
--------mpijl_demo()
----hw3()
--------hw3.html(20KB)
--------hw3.jmd(4KB)
----lecture3()
--------sciml.jmd(31KB)
--------sciml.html(352KB)
----lecture8()
--------automatic_differentiation.html(92KB)
--------automatic_differentiation.jmd(23KB)
----lecture17()
--------global_sensitivity.jmd(16KB)
--------global_sensitivity.html(317KB)
----lecture18()
--------code_profiling.jmd(7KB)
--------code_profiling.html(36KB)
----lecture19()
--------uncertainty_programming.jmd(14KB)
--------uncertainty_programming.html(267KB)
----lecture11()
--------adjoints.jmd(17KB)
--------adjoints.html(47KB)
----lecture4()
--------dynamical_systems.html(235KB)
--------dynamical_systems.jmd(25KB)