3. 강의목표
데이터 기반 기술은 복잡한 기계공학적 시스템을 모델링, 예측 및 제어하는 방법에 혁명을 일으키고 있다. 다양한 데이터 기반의 해석, 예측, 모델링 등의 방법에 내재된 원리를 수학적 방법으로 설명하여 이해와 활용성을 증대시키고자 한다.
5. 성적평가
과제 30%, 중간고사 30%, 기말고사 40%
7. 참고문헌 및 자료
• Linear algebra and learning from data, G. Strang, Wellesley-Cambridge Press
• Data-driven science and engineering, S. L. Brunton and J. N. Kutz, Cambridge University Press
• Proper orthogonal decomposition methods for partial differential equations, G. Chen and Z. Luo, Academic Press
• Dynamic mode decomposition, J. Kutz, S. Brunton, B. W. Brunton, and J. L. Proctor, SIAM
8. 강의진도계획
6. 강의진도계획(1주 ~ 16주)
Week 1 : Linear algebra revisited
Week 2 : Linear algebra revisited
Week 3 : Dimensionality reduction - Singular-value decomposition (SVD)
Week 4 : Dimensionality reduction - Fourier and wavelet transforms
Week 5 : Dimensionality reduction - Sparsity and compression
Week 6 : Machine learning for data analysis - Regression
Week 7 : Machine learning for data analysis – Clustering and classification
Week 8 : Machine learning for data analysis - Deep neural networks
Week 9 : Data-driven modeling of dynamical systems - DMD
Week 10 : Data-driven modeling of dynamical systems - DMD
Week 11 : Data-driven modeling of dynamical systems - SINDy
Week 12 : Data-driven modeling of dynamical systems - Koopman analysis
Week 13 : Reduced-order modeling - POD for PDEs
Week 14 : Reduced-order modeling - Gappy POD
Week 15 : Reduced-order modeling - Machine-learning-based ROMs
Week 16 : Wrap-up
9. 수업운영
이론 위주의 판서 수업과 실습 위주의 과제로 구성
11. 장애학생에 대한 학습지원 사항
- 수강 관련: 문자 통역(청각), 교과목 보조(발달), 노트필기(전 유형) 등
- 시험 관련: 시험시간 연장(필요시 전 유형), 시험지 확대 복사(시각) 등
- 기타 추가 요청사항 발생 시 장애학생지원센터(279-2434)로 요청