Aperçu des sections

    Syllabus

  • Présentation

    (équipe pédagogique et cadrage horaire)

    Objectifs de formation visés


    Prérequis


    Acquis d’apprentissage visé

    • identifier l’intérêt du calcul scientifique réalisé avec des outils libres, performants et multi
      plate-forme comme Python et ses modules Numpy et Scipy ;
    • approfondir les méthodes de résolution d'équations aux dérivées partielles : méthodes
      stochastiques, SPH, MEF et DMF, décomposition orthogonale propre ;
    • modéliser et résoudre des problèmes d'optimisation difficile (continus et discrets).

    Description de l’UE

    Ce module offre un aperçu des méthodes et outils du calcul scientifique et de l'optimisation

    (en savoir plus ...)

    Ressources bibliographiques


    Méthodes d’enseignement et moyens pédagogiques


    Modalités d’évaluation


  • Approfondissement sur la résolution d'équations aux dérivées partielles

    (8h) Amine AMMAR
    Méthodes stochastiques,
    Méthodes SPH,
    Méthodes avec discrétisation (MEF, MDF),
    La décomposition orthogonale propre.

  • Calcul scientifique sous Python

    (9h), Jean-Luc CHARLES
    Le langage Python.
    Le module Numpy : algèbre linéaire, FFT, générateurs aléatoires.
    Le module Scipy : statistiques, traitement du signal, traitement d'images.

  • Méthodes et outils d'optimisation

    (8h), Mathias KLEINER
    Introduction au domaine et aux enjeux,
    Programmation linéaire, quadratique, PLNE, programmation par contraintes, méta-heuristiques.