علم داده برای سیستم‌های پویا - مسترکلاس

آنچه یاد خواهید گرفت:

• مدل‌سازی و شبیه‌سازی سیستم‌های پویای پیچیده با استفاده از تکنیک‌های تحلیلی و عددی
• شناسایی و ساخت مدل‌های پیش‌بینانه از داده، شامل سیستم‌های خطی و غیرخطی
• اعمال متدهای بهینه‌سازی و یادگیری ماشین برای آموزش مدل‌ها و حل مسائل کنترل
• طراحی استراتژی‌های کنترل داده محور برای کاربردهای واقعی با استفاده از الگوریتم‌های پیشرفته
• درک اصول مدل‌سازی پویا، شامل معادلات دیفرانسیل معمولی (ODEs)، معادلات دیفرانسیل جزئی (PDEs) و نمایش فضای حالت
• تسلط به تکنیک‌های شناسایی مدل خطی، مانند حداقل مربعات، تخمین بازگشتی و تجزیه‌ حالت پویا (DMD)
• یادگیری متدهای بهینه‌سازی برای یادگیری ماشین، شامل گرادیان کاهشی، بهینه‌سازی تصادفی و بهینه‌سازی با محدودیت
• بررسی رویکردهای شناسایی مدل غیرخطی، شامل ODEs خنثی و مدل‌های Hammerstein-Wiener
• توسعه مهارت‌های مهندسی ویژگی برای کاهش ابعاد و بهبود عملکرد مدل
• اعمال تکنیک‌های انتخاب مدل، شامل اعتبارسنجی متقابل، لسو و مدل‌سازی پراکنده (SINDy)
• پیاده‌سازی استراتژی‌های کنترل بهینه و پیش‌بینانه، شامل کنترل پیش‌بینانه مدل (MPC) و کنترل پیش‌بینانه تفاضلی
• تحلیل سیستم‌های پیچیده با استفاده از نظریه عملگر کوپمان و تجزیه‌ حالت پویای گسترده (EDMD)

پیش‌نیازهای دوره

• آشنایی اولیه با جبر خطی (ماتریس‌ها، مقادیر ویژه، بردارهای ویژه)
• مفاهیم مقدماتی در احتمال و آمار (مفید برای مدل‌سازی داده محور)
• آشنایی با مبانی بهینه‌سازی (گرادیان کاهشی و محدودیت‌ها) یک مزیت است.
• درک اولیه از مفاهیم یادگیری ماشین
• برنامه‌نویسی اولیه پایتون (حلقه‌ها، توابع و آرایه‌ها)
• یک کامپیوتر قادر به اجرای پایتون و Jupyter notebooks
• آشنایی با سیستم‌های کنترل یا نظریه سیستم‌های پویا

توضیحات دوره

مهندسی و علم و فناوری مدرن به طور فزاینده‌ای به رویکردهای داده محور برای درک، پیش‌بینی و کنترل سیستم‌های پویای پیچیده متکی هستند. از رباتیک و هوافضا تا سیستم‌های انرژی و مالی، مدل‌های پویا، ستون فقرات تصمیم‌گیری و اتوماسیون را تشکیل می‌دهند. این دوره، علم داده برای سیستم‌های پویا، پلی بین نظریه کلاسیک سیستم و تکنیک‌های پیشرفته علم داده ایجاد می‌کند و یک سفر جامع از اصول پایه تا کاربردهای پیشرفته ارائه می‌دهد.

از طریق پیشرفت ساختارمند مباحث، یادگیرندگان بررسی خواهند کرد که چگونه مدل‌سازی ریاضی، شبیه‌سازی عددی و یادگیری ماشین به هم می‌پیوندند تا ابزارهای قدرتمندی برای تحلیل و کنترل رفتار پویا ایجاد کنند. این دوره بر پیاده‌سازی عملی تأکید دارد و مهارت‌های لازم برای اعمال این مفاهیم با استفاده از ابزارهای محاسباتی مدرن را به یادگیرندگان ارائه می‌دهد.

چرا این دوره؟

رویکردهای سنتی به سیستم‌های پویا اغلب بر مدل‌سازی مبتنی بر اصول اولیه متکی هستند، که می‌تواند زمانی که سیستم‌ها بسیار غیرخطی یا غنی از داده هستند چالش‌برانگیز باشد. از سوی دیگر، علم داده ابزارهایی برای استخراج بینش‌ها مستقیماً از اندازه‌ها ارائه می‌دهد و امکان مدل‌سازی داده محور، شناسایی سیستم و کنترل پیش‌بینانه را فراهم می‌کند. این دوره این پارادایم‌ها را ترکیب می‌کند و چارچوبی یکپارچه ارائه می‌دهد که هم از نظر نظری دقیق و هم از نظر عملی مرتبط است.

در پایان دوره، یادگیرندگان موارد زیر را درک خواهند کرد:

• چگونه سیستم‌های پویا را با استفاده از معادلات دیفرانسیل معمولی (ODEs)، معادلات دیفرانسیل جزئی (PDEs) و نمایش فضای حالت مدل‌سازی کنند؟
• تکنیک‌هایی برای شناسایی سیستم‌های خطی و غیرخطی با استفاده از داده‌
• استراتژی‌های بهینه‌سازی برای آموزش مدل‌ها و حل مسائل کنترل
• متدهای پیشرفته مانند تجزیه‌ حالت پویا (DMD) و عملگرهای کوپمان برای سیستم‌های با ابعاد بالا
• نقش مهندسی ویژگی، انتخاب مدل و یادگیری ماشین در تحلیل پویای مدرن

بخش 1 - مقدمه دوره

ما با بررسی اهداف دوره و تعامل بین علم داده و سیستم‌های پویا شروع می‌کنیم. یادگیرندگان درک روشنی از دامنه، کاربردها و پتانسیل تحول‌آفرین رویکردهای داده محور در مهندسی و علم به دست خواهند آورد.

بخش 2 - اصول مدل‌سازی پویا

این بخش اصول اولیه را با مرور تکنیک‌های کلاسیک مدل‌سازی بنیان‌ می‌نهد:

• معادلات دیفرانسیل معمولی اسکالر و برداری - شما یاد می‌گیرید چگونه سیستم‌های خودمختار را به صورت تحلیلی حل کنید.
• ماتریس نمایی و قطری‌سازی - درک راه‌حل‌ها برای سیستم‌های خطی
• نمایش فضای حالت - بررسی پایداری و ویژگی‌های سیستم
• پویایی غیرخطی - مقدمه‌ای بر معادلات دیفرانسیل معمولی غیرخطی و پیامدهای آنها
• متدهای عددی - الگوریتم‌های عملی برای شبیه‌سازی سیستم‌های پیچیده
• معادلات دیفرانسیل جزئی (PDEs) - شما یاد می‌گیرید چگونه سیستم‌های توزیع‌ شده را در فضا و زمان گسسته کنید.

در پایان این بخش، یادگیرندگان قادر خواهند بود طیف گسترده‌ای از سیستم‌های پویا را با استفاده از تکنیک‌های تحلیلی و عددی مدل‌سازی و شبیه‌سازی کنند.

بخش 3 - شناسایی مدل خطی

در اینجا، ما از نظریه به مدل‌سازی داده محور انتقال می‌یابیم:

• برآورد حداقل مربعات - درک حداقل مربعات معمولی و وزن‌دار
• متدهای بازگشتی - الگوریتم‌های کارآمد برای شناسایی بلادرنگ
• هم‌خطی چندگانه و رگرسیون ریج - مقابله با چالش‌ها در برآورد پارامتر
• تجزیه‌ حالت پویا (DMD) - ابزاری قدرتمند برای استخراج الگوهای پویا از داده‌
• تجزیه‌ مقدار ویژه (SVD) و تجزیه‌ ویژه - یاد می‌گیرید چگونه این تکنیک‌ها زیربنای تحلیل سیستم مدرن هستند.

این بخش یادگیرندگان را قادر می‌سازد تا مدل‌های خطی را از داده‌ شناسایی کنند، که گامی حیاتی در کنترل و مدل‌سازی پیش‌بینانه است.

بخش 4 - بهینه‌سازی برای یادگیری ماشین

بهینه‌سازی، موتور پشت علم داده مدرن است. این بخش شامل:

• متدهای مبتنی بر گرادیان - از گرادیان کاهشی اولیه تا انواع پیشرفته
• بهینه‌سازی تصادفی - تکنیک‌هایی برای مسائل در بزرگ‌ مقیاس
• روش نیوتن و رویکردهای مرتبه دوم - بهبود نرخ‌های همگرایی
• بهینه‌سازی با محدودیت - شما متدهای جریمه و استراتژی‌های مجموعه فعال را یاد می‌گیرید.
• تکنیک‌های مشتق‌گیری - مشتق‌گیری نمادین، الگوریتمی و خودکار برای محاسبه کارآمد

یادگیرندگان به استراتژی‌های بهینه‌سازی ضروری برای آموزش مدل‌ها و حل مسائل کنترل تسلط خواهند یافت.

بخش 5 - شناسایی مدل غیرخطی

با استفاده از بخش‌های قبلی، ما سیستم‌های غیرخطی را بررسی می‌کنیم:

• متدهای خطای پیش‌بینی - شناسایی پویایی غیرخطی از داده‌
• بهینه‌های جهانی در مقابل محلی - درک چالش‌های بهینه‌سازی
• ODEs خنثی - بررسی رویکردهای یادگیری عمیق برای مدل‌سازی پویا
• مدل‌های Hammerstein-Wiener - ساختارهای ترکیبی برای سیستم‌های پیچیده
• برون‌یابی و استحکام - اطمینان از قابلیت اطمینان در سناریوهای واقعی

این بخش تکنیک‌های پیشرفته‌ای را برای مدل‌سازی سیستم‌هایی که فرضیات خطی در آنها شکست می‌خورند، معرفی می‌کند.

بخش 6 - مهندسی ویژگی

ویژگی‌ها، خون حیاتی یادگیری ماشین هستند. در اینجا موارد زیر را درک می‌کنید:

• درک نقش ویژگی‌ها در مدل‌های پویا
• یادگیری تکنیک‌های استخراج ویژگی دستی و خودکار
• بررسی رمزگذارهای خودکار برای کاهش ابعاد
• کشف اینکه چگونه مهندسی ویژگی بر عملکرد یادگیری عمیق تأثیر می‌گذارد.

بخش 7 - انتخاب مدل

انتخاب مدل مناسب به اندازه ساخت آن مهم است. این بخش شامل:

• تعادل بایاس-واریانس و بیش‌برازش
• اعتبارسنجی متقابل برای ارزیابی قوی
• مدل‌سازی پراکنده - لسو و SINDy برای مدل‌های قابل تفسیر
• زیرمشتق‌ها و بهینه‌سازی غیرقابل مشتق‌گیری - ابزارهای ریاضی پیشرفته برای انتخاب مدل

بخش 8 - کنترل و نظریه عملگر کوپمان

در نهایت، ما همه چیز را به کنترل و تحلیل پیشرفته اعمال می‌کنیم:

• کنترل بهینه - یادگیری استراتژی‌هایی برای سیستم‌های خطی و غیرخطی
• کنترل پیش‌بینانه مدل (MPC) - رویکردهای داده محور برای تصمیم‌گیری بلادرنگ
• نظریه عملگر کوپمان - چارچوبی انقلابی برای تحلیل پویایی غیرخطی با استفاده از تکنیک‌های خطی
• تجزیه‌ حالت پویای گسترده (EDMD) - الگوریتم‌های عملی برای سیستم‌های با ابعاد بالا

این بخش نشان می‌دهد که چگونه علم داده نظریه کنترل کلاسیک را متحول می‌کند و استراتژی‌های پیش‌بینانه و تطبیقی برای سیستم‌های پیچیده را ممکن می‌سازد.

نکات کلیدی

• پوشش جامع - از اصول پایه تا مباحث پیشرفته مانند عملگرهای کوپمان و ODEs خنثی
• رویکرد عملی - مثال‌های عملی و تمرین‌های کدنویسی با استفاده از پایتون
• ارتباط واقعی - کاربردها در رباتیک، هوافضا، انرژی و فراتر از آن
• متدهای پیشرفته - یادگیری تکنیک‌هایی در تقاطع یادگیری ماشین و سیستم‌های پویا

این دوره شامل مطالب دارای مجوز تحت مجوز Creative Commons Attribution است. کار اصلی Sebastian Peitz و Oliver Wallscheid در سرتاسر دوره استفاده شده است.

این دوره برای چه کسانی مناسب است؟

• مهندسان و دانشمندانی که در زمینه‌هایی مانند سیستم‌های کنترل، رباتیک، هوافضا، انرژی و سیستم‌های مکانیکی کار می‌کنند و می‌خواهند رویکردهای داده محور را در گردش‌کارهای خود یکپارچه کنند.
• دانشمندان داده و متخصصان یادگیری ماشین که علاقه‌مند به اعمال مهارت‌های خود در سیستم‌های پویا و مدل‌سازی پیش‌بینانه هستند.
• دانشجویان تحصیلات تکمیلی و محققان در ریاضیات کاربردی، فیزیک یا مهندسانی که به دنبال تکنیک‌های پیشرفته برای مدل‌سازی و کنترل هستند.
• متخصصان در اتوماسیون و سیستم‌های صنعتی که به دنبال بهره‌برداری از بهینه‌سازی و کنترل پیش‌بینانه برای کاربردهای واقعی هستند.
• کسی که کنجکاو است تا نظریه کلاسیک سیستم را با علم داده مدرن ترکیب کند تا مسائل سیستم‌های پویای پیچیده را حل کند.