Libro

Data-Driven Science and Engineering ฉบับที่ 2: ขอบเขตเนื้อหาและพื้นฐานที่ต้องมี

ตำราของ Steven L. Brunton และ J. Nathan Kutz ว่าด้วย Machine Learning, dynamical systems และการควบคุม บทความนี้สรุปจากสารบัญและคำนำที่ Cambridge University Press เผยแพร่ เพื่อช่วยดูว่าเล่มนี้ครอบคลุมอะไรและต้องมีพื้นฐานระดับไหน

ทีมบรรณาธิการ Libro · 25 ตุลาคม 2569 · แก้ไขล่าสุด 27 ตุลาคม 2569 · อ่านประมาณ 4 นาที

ภาพประกอบบทความ: ปกหนังสือ Data-Driven Science and Engineering โดย Steven L. Brunton & J. Nathan Kutz

ขอบเขตของบทความ: แนะนำขอบเขตเนื้อหาจากสารบัญ คำนำ และข้อมูลหนังสือในส่วนหน้า (frontmatter) ที่ Cambridge University Press เผยแพร่ ยังไม่ได้อ่านเนื้อหาบทใดของหนังสือ ข้อสังเกตเรื่องเนื้อหาแต่ละบทมาจากชื่อหัวข้อในสารบัญเท่านั้น

คนที่ทำงานกับข้อมูล time series หรือระบบที่เปลี่ยนแปลงตามเวลา มักเจอคำถามว่าจะใช้ Machine Learning อย่างไรให้ model ยังอธิบายพลวัตของระบบได้ ไม่ใช่แค่ทำนายค่าถัดไป ตำราเล่มนี้ตั้งโจทย์ไว้ตรงจุดที่ ML มาพบกับ dynamical systems และ control theory

คำนำระบุว่าแนวทางแบบขับเคลื่อนด้วยข้อมูลถูกใช้กับระบบซับซ้อนหลายประเภท เช่น ความปั่นป่วนของของไหล สมอง ภูมิอากาศ ระบาดวิทยา การเงิน และหุ่นยนต์ (ส่วนหน้าของหนังสือ, หน้า ix) แต่จากสารบัญ หัวข้อหลักของเล่มเป็นงานวิศวกรรมและฟิสิกส์ บทความนี้ช่วยดูว่าเนื้อหาครอบคลุมอะไรและเหมาะกับใคร

หนังสือเล่มนี้ว่าด้วยอะไร

Data-Driven Science and Engineering: Machine Learning, Dynamical Systems, and Control ฉบับที่ 2 เขียนโดย Steven L. Brunton และ J. Nathan Kutz จาก University of Washington ตีพิมพ์โดย Cambridge University Press ปี 2022 ฉบับแรกออกปี 2019 ISBN ฉบับปกแข็ง 978-1-009-09848-9 (ส่วนหน้าของหนังสือ, หน้าลิขสิทธิ์) ข้อมูลใน Open Library ระบุสำนักพิมพ์และปีตรงกัน

ตามประวัติผู้เขียนในส่วนหน้า Brunton เป็นศาสตราจารย์ด้านวิศวกรรมเครื่องกล และ Kutz เป็นศาสตราจารย์ด้านคณิตศาสตร์ประยุกต์

คำนำอธิบายว่าเนื้อหามีแกนร่วมหลายเรื่อง ได้แก่ low-dimensional patterns ที่ซ่อนอยู่ในข้อมูล การแปลงพิกัดที่ทำให้ระบบเรียบง่ายขึ้น มุมมองของ dynamical systems และการควบคุม และ optimization ซึ่งผู้เขียนบอกว่าแทบทุกหัวข้อในเล่มเกี่ยวข้องด้วย (หน้า x)

เนื้อหาครอบคลุมหัวข้ออะไร

สารบัญแบ่งเป็นสี่ภาค 14 บท (สารบัญ, หน้า v–viii):

ภาค

บท

หัวข้อตามสารบัญ

Part I Dimensionality Reduction and Transforms

1–3

Singular Value Decomposition (SVD), Fourier and Wavelet Transforms, Sparsity and Compressed Sensing

Part II Machine Learning and Data Analysis

4–6

Regression and Model Selection, Clustering and Classification, Neural Networks and Deep Learning

Part III Dynamics and Control

7–9

Data-Driven Dynamical Systems, Linear Control Theory, Balanced Models for Control

Part IV Advanced Data-Driven Modeling and Control

10–14

Data-Driven Control, Reinforcement Learning, Reduced-Order Models (ROMs), Interpolation for Parametric ROMs, Physics-Informed Machine Learning

หัวข้อย่อยที่คนทำงานด้านข้อมูลน่าจะสนใจ เช่น PCA และ randomized SVD ในบทที่ 1, cross-validation และ information criteria สำหรับเลือก model ในบทที่ 4, Dynamic Mode Decomposition (DMD), SINDy และทฤษฎี Koopman operator ในบทที่ 7 และ Kalman filter ในบทที่ 8

สิ่งที่เพิ่มในฉบับที่ 2

คำนำส่วน Overview of Second Edition ระบุการเปลี่ยนแปลงหลักไว้ (หน้า xi–xii):

  • บทใหม่สองบท คือ Reinforcement Learning และ Physics-Informed Machine Learning

  • แบบฝึกหัดทุกบท ตั้งแต่ระดับเบื้องต้นจนถึงโจทย์ที่จำลองงานวิจัยสมัยใหม่

  • โค้ด Python เพิ่มคู่กับโค้ด MATLAB เดิมตลอดเล่ม

  • หัวข้อใหม่ เช่น condition number ของ SVD, Laplace transform, autoencoder, recurrent neural network, GAN และ model predictive control

ผู้เขียนแจ้งว่าโค้ด ข้อมูล แบบฝึกหัด และตัวอย่างหลักสูตรอยู่ที่เว็บไซต์ของหนังสือและ GitHub มีโค้ดภาษา R ด้วย และมีวิดีโอบรรยายบน YouTube สำหรับเกือบทุกหัวข้อของเล่ม (หน้า xii) คลังโค้ด Python dynamicslab/databook_python แบ่งโฟลเดอร์ตามบท CH01–CH12 และ README ยังอ้างถึงฉบับปี 2019 จึงอาจเรียงเลขบทต่างจากฉบับที่ 2 ซึ่งมี 14 บท

พื้นฐานที่ควรมีก่อนอ่าน

คำนำระบุว่านักศึกษาที่ผู้เขียนสอนมักมีพื้นฐาน linear algebra, differential equations และ scientific computing (หน้า ix) ส่วน How to Use This Book บอกว่า ML ในเล่มเริ่มจากระดับเบื้องต้น แต่สมมติว่าผู้อ่านสร้าง model ของระบบทางกายภาพด้วย differential equation และ simulate ด้วย solver อย่าง ode45 ได้แล้ว (หน้า xiii)

สรุปคือ ถ้าไม่คุ้นกับ matrix, eigenvalue และ ordinary differential equation จะตามเนื้อหาได้ยาก ส่วนการเขียนโค้ด เลือกได้ระหว่าง Python กับ MATLAB

เหมาะกับใคร และใครควรเริ่มจากเล่มอื่นก่อน

ผู้เขียนตั้งกลุ่มผู้อ่านหลักเป็นนักศึกษาปริญญาตรีปีปลายและบัณฑิตศึกษาช่วงต้นสายวิศวกรรมและวิทยาศาสตร์ และบอกว่าเป็นประโยชน์กับนักศึกษาวิทยาการคอมพิวเตอร์และ statistics ที่ยังไม่ค่อยรู้เรื่อง dynamical systems และการควบคุมด้วย (หน้า xiii)

  • เหมาะ กับคนที่มีพื้นคณิตศาสตร์ประยุกต์ อยากใช้ ML กับข้อมูลที่เปลี่ยนตามเวลา และอยากรู้จักวิธีอย่าง DMD, SINDy หรือ reduced-order model ที่มีบทเฉพาะในเล่มนี้

  • ควรเริ่มจากเล่มอื่นก่อน ถ้ายังไม่มีพื้น linear algebra และ differential equation หรือถ้าต้องการตำราที่เน้นการเงินโดยตรง เพราะจากสารบัญ ไม่มีบทใดที่ตั้งชื่อเกี่ยวกับการเงิน

ข้อจำกัดของข้อมูลที่ใช้ในบทความนี้

  • อ่านเฉพาะส่วนหน้าที่สำนักพิมพ์เผยแพร่ ได้แก่ คำโปรย ประวัติผู้เขียน หน้าลิขสิทธิ์ สารบัญ คำนำ และรายการสัญลักษณ์ ยังไม่ได้อ่านเนื้อหาบทใด

  • คลังโค้ดบน GitHub เปิดดูเฉพาะหน้าแรกและ README ยังไม่ได้รันโค้ด และไม่พบไฟล์สัญญาอนุญาต (license) ในหน้าแรก

  • บทความนี้ไม่ได้ทดลองวิธีใดในเล่ม

แหล่งอ้างอิง

บทความนี้อ่านจบได้ในตัวเอง หนังสือด้านบนคือจุดต่อยอดสำหรับผู้ที่ต้องการศึกษาลึกขึ้น