文件名称：ENM531
文件大小：47.19MB
文件格式：ZIP
更新时间：2024-04-07 22:08:30
JupyterNotebook
ENM531：数据驱动的建模和概率科学计算 课程说明 我们将从统计学习的角度重新审视古典科学计算。在这种新的计算范式中，微分方程，守恒定律和数据在预测建模管道中充当补充代理。本课程旨在探索现代机器学习作为一种统一的计算工具的潜力，该工具使人们能够从实验数据中学习模型，推导微分方程的解决方案，融合来自模型层次结构的信息以量化计算中的不确定性，并有效地优化复杂的工程系统。 涉及的特定主题涵盖了有监督和无监督学习的最新发展：使用深度神经网络进行非线性回归/分类，使用高斯过程进行不确定性下的多保真度建模和计算，贝叶斯优化，卷积和递归神经网络，使用主成分分析进行模型简化，变体自动编码器和概率潜在变量模型。这些工具的有效性将通过多种工程应用得到证明，包括流体动力学，传热，设计优化和心血管流动建模方面的例子。 课程先决条件 基本微积分和线性代数（MATH 240或MATH 513或ENM 240） 基本
【文件预览】：
ENM531-main
----ENM531_Notes.pdf(1.54MB)
----HWsolutions()
--------hw1_solution.ipynb(1.83MB)
--------hw2_solution.ipynb(1.28MB)
----Class notes()
--------Lecture8-[Logistic regression].pdf(703KB)
--------Lecture6-[Linear regression].pdf(1.06MB)
--------Lecture15-[Neural networks].pdf(653KB)
--------Lecture3-[Statistics & Probability primer #3].pdf(406KB)
--------Lecture12-[Rejection & Gibbs sampling].pdf(1.32MB)
--------Lecture5-[Optimization].pdf(474KB)
--------Lecture7-[Bayesian Linear regression].pdf(739KB)
--------Lecture11-[Importance sampling].pdf(4.56MB)
--------.DS_Store(6KB)
--------Lecture2-[Statistics & Probability primer #2].pdf(1.14MB)
--------Lecture4-[Maximum Likelihood Estimation].pdf(1.08MB)
--------Lecture10-[Variational inference part 2].pdf(931KB)
--------Lecture13-[Markov Chain Monte Carlo].pdf(1.07MB)
--------Lecture9-[Variational inference part 1].pdf(900KB)
--------Lecture1-[Statistics & Probability primer #1].pdf(413KB)
----Slides()
--------Lecture4-Statistical Estimation.pdf(4.45MB)
--------Lecture5-Optimization.pdf(2.42MB)
--------Lecture3-Probability & Statistics primer.pdf(1.45MB)
--------Lecture14-Bayesian inference with MCMC.pdf(1.07MB)
--------Lecture6-Linear Regression.pdf(862KB)
--------Lecture12-Rejection & Gibbs sampling.pdf(2.47MB)
--------Lecture10-Reparametrization trick.pdf(748KB)
--------.DS_Store(6KB)
--------Lecture1-Introduction.pdf(5.82MB)
--------Lecture15-Neural networks.pdf(3.07MB)
--------Lecture7-Bayesian linear regression.pdf(998KB)
--------Lecture2-Probability & Statistics primer.pdf(2.35MB)
--------Lecture11-Monte Carlo sampling.pdf(2.17MB)
--------Lecture13-Markov Chain Monte Carlo.pdf(1.68MB)
--------Lecture9-Variational inference #1.pdf(547KB)
--------Lecture8-Logistic regression.pdf(375KB)
--------Lecture16-Neural networks.pdf(2.51MB)
----.DS_Store(14KB)
----README.md(3KB)
----Code()
--------Week5-Variational Inference()
--------Week4-Linear Regression()
--------Week6-Sampling methods()
--------.DS_Store(12KB)
--------Week2-Probability & Statistics()
--------Week7-Neural networks()