About this ebook
Maîtrisez la logique sous-jacente des systèmes qui prospèrent dans le chaos.
Les modèles déterministes traditionnels échouent dans le monde réel où le bruit, la latence des capteurs et les variables imprévisibles créent un brouillard d'incertitude.
Quels sont les avantages ?
- Maîtrisez la rigueur mathématique de l'inférence bayésienne pour le suivi en temps réel.
- Mettez en œuvre des processus gaussiens pour modéliser des dynamiques complexes et non linéaires.
- Quantifiez et propagez l'incertitude dans des espaces d'états de grande dimension.
- Concevez des cadres d'estimation robustes, indépendants du matériel ou des capteurs.
- Bénéficiez d'une expertise approfondie grâce à 210 concepts sélectionnés et répartis dans 21 annexes spécifiques à chaque chapitre, pour une maîtrise technique complète.
Quel est le plan de formation ? 1 - La nature de l'état : définir les systèmes dans le langage des probabilités
2 - Fondements de la logique bayésienne : le moteur de la révision récursive des croyances
3 - Distributions de probabilité dans l'espace : modéliser la forme des inconnues
4 - Mécanique gaussienne : l'élégance de la distribution normale
5 - Modélisation des processus stochastiques : prédire les changements dans les systèmes incertains
6 - Le filtre optimal linéaire : principes du cadre de Kalman
7 - Linéarisation et complexité : approximer la réalité pour le suivi en temps réel
8 - Transformations du point sigma : propagation de l'incertitude haute fidélité
9 - Estimation non paramétrique : au-delà de la gaussienne Hypothèses
10 - Régression par processus gaussien : Apprentissage de la dynamique à partir de distributions a priori fonctionnelles
11 - Géométrie de l'information : Mesure de la distance entre les croyances
12 - Dépendances markoviennes : La propriété d'absence de mémoire dans le suivi d'état
13 - Modélisation du mouvement et cinématique : La physique de la propagation de l'incertitude
14 - Variables cachées : Inférer ce qui ne peut être vu
15 - Défis liés à l'association de données : Lier les observations aux identités
16 - Covariance et corrélation : L'interdépendance des variables d'état
17 - Estimation du maximum de vraisemblance : Optimisation des paramètres pour un ajustement optimal
18 - Moindres carrés récursifs : Le lien entre optimisation et filtrage
19 - Robustesse aux valeurs aberrantes : Renforcement des cadres de travail face au bruit
20 - La voie de l'espérance-maximisation : Amélioration des modèles avec des données latentes
21 - Perspectives d'avenir en estimation : Apprentissage profond et inférence variationnelle
À qui s'adresse cet ouvrage ?
Conçu pour les ingénieurs de recherche, les roboticiens et les data scientists souhaitant acquérir une maîtrise théorique approfondie de l'estimation d'état.
Comment passer à l'action ?
Cessez de deviner et commencez à quantifier ; transformez le bruit des données en informations précises et exploitables.
Bâtissez les fondements d'une perception intelligente en maîtrisant les mécanismes des probabilités.
