课程时间地点

三教306，双周周三7-8节(15:10-17:00)，每周周五3-4节(10:10-12:00)

课程简介

反问题与数据同化的最基本形式是研究如何从数据中估计模型参数。通常，数据会提供有关这些参数的间接信息，同时也受到噪声的影响。本课程将讲授简洁的数学理论和一系列计算方法，这些理论和方法可以用来确定噪声数据对解的准确性的影响，确定需要什么类型的观测来准确确定参数，还可以用来研究参数估计的不确定性。本课程强调学生实践能力，旨在培养学生在科学和工程领域中处理不确定性和复杂数据的能力，以解决地球科学、物理学、工程、医学、金融等领域中实际问题中的反问题和数据同化挑战。该课程目标受众包括理工科的研究生、博士生和高年级本科生。

参考书

Daniel Sanz-Alonso , Andrew Stuart and Armeen Taeb “Inverse Problems and Data Assimilation”

课程大纲

第一章 简介
  1.1 贝叶斯反问题和数据同化简介 [课件] [练习]
  1.2 数学基础 [课件] [练习]
第二章 贝叶斯反问题
  2.1 贝叶斯反问题的适定性 [课件] [练习]
  2.2 线性贝叶斯反问题 [课件] [练习]
  2.3 非线性贝叶斯反问题 [课件] [练习]
    2.3.1 基于输运的方法 [课件] [练习]
    2.3.2 马氏链蒙特卡洛方法 [课件] [练习]
    2.3.3 变分推理方法 [课件] [练习]
第三章 数据同化
  3.1 贝叶斯滤波和平滑问题的适定性 [课件] [练习]
  3.2 线性数据同化问题 [课件] [练习]
  3.3 非线性数据同化问题 [课件] [练习]
    3.3.1 卡尔曼滤波 [课件] [练习]
    3.3.2 粒子滤波 [课件] [练习]
第四章 扩散模型
  4.1 扩散模型 [课件] [练习]
  4.2 条件扩散模型 [课件] [练习]

课程要求

两次作业(50%)，每次作业有理论推导和上机练习;
期末报告(50%)，选一篇文章阅读、重复数值实验、报告或做相关科研并报告(1-3人一组)。

课程简介

在现代科学和工程领域，基于偏微分方程的计算模型扮演着核心角色。随着技术的发展，如何通过数据驱动方法或机器学习技术来优化这些计算模型，比如改进建模并进行不确定性量化，或者加快设计优化、进行实时控制，已成为近几十年来的研究焦点。本课程将深入探讨如何将机器学习技术应用于求解基于偏微分方程的复杂工程和科学问题，这一领域也常被称为科学机器学习。本课程强调跨学科技能和实践能力，旨在培养学生在科学和工程领域中综合运用传统和新兴计算方法的能力，以解决科学和工程中的实际问题。该课程目标受众包括理工科的研究生、博士生和高年级本科生。

参考书

Athanasios C. Antoulas, "Approximation of Large-Scale Dynamical Systems"
Rasmussen, Carl Edward, "Gaussian processes in machine learning"

课程大纲

第一章 简介
  2.1 科学机器学习简介 [课件] [练习]
  2.2 含参数的偏微分方程 [课件] [练习]
第二章 降阶模型
  2.1 基于投影的降阶模型 [课件] [练习]
  2.2 本征正交分解 [课件] [练习]
  2.3 基于平衡截断法的降阶模型 [课件] [练习]
  2.4 基于矩匹配的降阶模型 [课件] [练习]
  2.5 针对非线性系统的降阶模型 [课件] [练习]
  2.6 数据驱动的降阶模型 [课件] [练习]
第三章 高斯过程
  3.1 高斯过程回归 [课件] [练习]
  3.2 协方差函数 [课件] [练习]
  3.3 模型和超参的选取 [课件] [练习]
  3.4 贝叶斯优化 [课件] [练习]
  3.5 再生核希尔伯特空间 [课件] [练习]
  3.6 高斯过程求解偏微分方程 [课件] [练习]
第四章 机器学习
  4.1 神经网络基础 [课件] [练习]
  4.2 神经网络求解偏微分方程 [课件] [练习]
  4.3 基于神经网络的代理模型 [课件] [练习]
  4.4 强化学习 [课件] [练习]

课程要求

两次作业(60%)，每次作业有理论推导和上机练习;
期末报告(40%)，选一篇文章阅读、重复数值实验、报告或做相关科研并报告(1-3人一组)。