Udemy – Numerical Analysis & Methods with Python: Theory & Practice 2023-10

در تاریخ: 1403/03/29 10:27:15

توضیحات

Numerical Analysis & Methods with Python: Theory & Practice، دوره آموزش تجزیه و تحلیل عددی و متدها با پایتون توسط آکادمی یودمی منتشر شده است. دنیای شگفت انگیز روش های عددی را کاوش کنید و قدرت زبان برنامه نویسی پایتون را برای حل مسائل پیچیده ریاضی و فیزیکی کشف کنید. در این دوره جامع، همزمان با کسب تجربه عملی با پیاده سازی های عملی با استفاده از پایتون، به مبانی نظری ضروری تحلیل عددی می پردازید. از ریشه یابی، درون یابی و ادغام عددی گرفته تا حل معادلات دیفرانسیل و بهینه سازی، این دوره شما را با دانش ریاضی و مهارت های برنامه نویسی لازم برای مقابله با طیف گسترده ای از چالش های دنیای واقعی مجهز می کند. شما یاد خواهید گرفت که از الگوریتم های عددی استفاده کنید، نقاط قوت و محدودیت های آنها را درک کنید و دقت آنها را از طریق تجزیه و تحلیل دقیق خطا تجزیه و تحلیل کنید. این دوره که هم برای ریاضیدانان مشتاق و هم برای علاقه مندان به پایتون طراحی شده است، تعادل کاملی بین تئوری و کاربرد برقرار می کند. از طریق سخنرانی‌های جذاب، تمرین‌های کدگذاری تعاملی و پروژه‌های دنیای واقعی، درک قوی از اصول اساسی روش‌های عددی ایجاد می‌کنید و یاد می‌گیرید که آنها را به طور مؤثر با کتابخانه‌های پایتون مانند NumPy و SciPy پیاده‌سازی کنید.

آنچه خواهید آموخت

مبانی روش های عددی: مفاهیم اساسی، اصول و تکنیک های مورد استفاده در تحلیل عددی را درک کنید.
پیشینه ریاضی: بررسی مبانی ریاضی ضروری مورد نیاز برای محاسبات عددی، از جمله حساب دیفرانسیل و انتگرال و جبر خطی.
روش‌های ریشه‌یابی: الگوریتم‌های مختلفی را برای یافتن ریشه معادلات یاد بگیرید، مانند روش Bisection، روش نیوتن رافسون و روش Secant.
درون یابی و برون یابی: درون یابی لاگرانژ و تفاوت های تقسیم شده نیوتن.
معادلات دیفرانسیل معمولی (ODEs): حل مسائل مقدار اولیه ODE ها با استفاده از تکنیک های عددی مانند روش اویلر، روش های رانگ-کوتا (به عنوان مثال، RK4).
سیستم های خطی: یادگیری حل سیستم های معادلات خطی با استفاده از روش های مستقیم مانند حذف گاوسی، تجزیه LU و تجزیه QR.
سیستم های خطی: یادگیری حل سیستم های معادلات خطی با استفاده از روش های تکرار شونده مانند ژاکوبی و گاوس-سایدل.
تجزیه و تحلیل خطا: درک منابع خطا در محاسبات عددی و نحوه تجزیه و تحلیل و به حداقل رساندن آنها

این دوره برای چه کسانی مناسب است

دانشجویان و دانشگاهیان: دانشجویان ریاضی، مهندسی، علوم و علوم کامپیوتر یا متخصصانی که به دنبال تقویت درک خود از روش‌های عددی و اعمال آنها در سناریوهای دنیای واقعی هستند.
علاقه مندان به پایتون: برنامه نویسان، دانشمندان داده و تحلیلگران علاقه مند به گسترش مهارت های پایتون خود با کاوش در تحلیل عددی و کاربردهای عملی آن هستند.
هر کسی که به ریاضیات و کدنویسی علاقه دارد

مشخصات دوره Numerical Analysis & Methods with Python: Theory & Practice

ناشر : Udemy
مدرس : Mohamed Essadki
زبان: انگلیسی
سطح آموزش: تمام سطوح
تعداد دروس: 90
مدت زمان آموزش: 14 ساعت و 12 دقیقه

سر فصل های دوره Numerical Analysis & Methods with Python: Theory & Practice

Numerical Analysis & Methods with Python_ Theory & Practice

پیش نیاز های دوره

You should have a basic background in algebra and calculus (derivative, integration,..), in addition some basic programming experiences
Programming Basics: While the course will cover Python programming, some prior programming experience or familiarity with programming concepts would be helpful
It’s essential for students to have access to a text editor or an Integrated Development Environment (IDE) to write and execute Python code