1、数据驱动的科学与工程：机器学习、动力系统与控制

数据驱动的科学与工程：机器学习、动力系统与控制

1. 数据驱动科学与工程的兴起

数据驱动的发现正在彻底改变我们对复杂系统进行建模、预测和控制的方式。在当今时代，现代科学和工程领域面临的诸多紧迫问题，难以通过经验模型或基于第一性原理的推导来解决。因此，研究人员越来越多地转向数据驱动的方法，以应对如湍流、大脑、气候、流行病学、金融、机器人和自主性等复杂系统。

这些复杂系统通常具有非线性、动态性、时空多尺度和高维性等特点，并且存在着一些主导的潜在模式。借助现代数学方法，以及前所未有的数据可用性和计算资源，我们如今能够解决以往难以企及的问题。例如，从稀疏和嘈杂的随机像素测量中进行稳健的图像重建、利用机器学习进行湍流控制、优化传感器和执行器的放置、仅从数据中发现可解释的非线性动力系统，以及使用降阶模型来加速具有复杂多尺度物理特性的系统的优化和控制。

现代数据科学的发展得益于低成本传感器的显著创新、计算能力的大幅提升以及几乎无限的数据存储和传输能力。这些海量数据为各学科的工程师和科学家提供了数据驱动发现的新机遇，这被称为科学发现的第四范式。这一范式是经验实验、分析推导和计算研究这前三种范式的自然延续，它们的整合为数据驱动的发现工作提供了变革性的框架。

2. 数据科学的发展与两种文化视角

数据科学本身并非新事物，早在50多年前，John Tukey就提出了专注于从数据中学习或进行数据分析的科学努力的设想。自那时以来，数据科学主要由两种不同的数据文化视角主导。

机器学习社区主要由计算机科学家组成，通常侧重于预测质量和可扩展的快速算法。而统计学习社区，通常以统计学系为中心，更关注可解释模型的推断。这两种方法都取得了显著的成功，并为数据