[Boekrecensie] Data-Driven Science and Engineering (Steven L. Brunton) Boeksamenvatting.

Data-Driven Science and Engineering (Steven L. Brunton) - Amazon Netherlands Store: https://www.amazon.nl/dp/1009098489?tag=9natreedutch-21 - Amazon Belgium Store: https://www.amazon.com.be/dp/1009098489?tag=9natreebelgium-21 - Amazon Worldwide Store: https://global.buys.trade/Data-Driven-Science-and-Engineering-Steven-L-Brunton.html - Apple Books: https://books.apple.com/us/audiobook/data-driven-science-and-engineering-mastering-the/id1762587111?itsct=books_box_link&itscg=30200&ls=1&at=1001l3bAw&ct=9natree - eBay: https://www.ebay.com/sch/i.html?_nkw=Data+Driven+Science+and+Engineering+Steven+L+Brunton+&mkcid=1&mkrid=711-53200-19255-0&siteid=0&campid=5339060787&customid=9natree&toolid=10001&mkevt=1 - Lees meer: https://dutch.9natree.com/read/1009098489/ #SparseIdentificationofNonlinearDynamics #DynamicModeDecomposition #Gereduceerdeordemodellen #Sparsesensing #Physicsinformedmachinelearning #DataDrivenScienceandEngineering Data-Driven Science and Engineering, van Steven L. Brunton en J. Nathan Kutz, is een technisch leerboek over het afleiden, voorspellen en sturen van complexe dynamische systemen met gegevens. Deze tweede editie verbindt methoden uit machinaal leren met toegepaste lineaire algebra, optimalisatie, dynamische systemen en regeltechniek. Het boek richt zich niet op data-analyse als losstaande classificatie- of voorspeltaak. De centrale vraag is hoe metingen kunnen leiden tot compacte modellen die verklaren hoe een systeem in de tijd verandert, en die vervolgens bruikbaar zijn voor voorspelling en besturing. Daarbij komen onder meer Dynamic Mode Decomposition, Sparse Identification of Nonlinear Dynamics, dimensiereductie, sparse sensing, gereduceerde-ordemodellen en datagedreven regelmethoden aan bod. De tweede editie voegt ook nadrukkelijker reinforcement learning en physics-informed machine learning toe. De opzet is geschikt voor gevorderde bachelorstudenten, beginnende masterstudenten en onderzoekers in techniek en natuurwetenschappen. Vereiste voorkennis is vooral analyse, lineaire algebra en elementaire programmeervaardigheid in Python of MATLAB. De uitgebreide code, datasets, oefeningen en videomateriaal maken het nadrukkelijk ook een praktisch studieboek.