آموزش آنالیز و روش‌های عددی با پایتون: تئوری و کاربرد - آخرین آپدیت

دانلود Numerical Analysis & Methods with Python: Theory & Practice

نکته: ممکن هست محتوای این صفحه بروز نباشد ولی دانلود دوره آخرین آپدیت می باشد.
نمونه ویدیوها:
توضیحات دوره: یادگیری روش‌های عددی: جبر خطی، مقادیر ویژه، معادلات دیفرانسیل، درونیابی، تحلیل عددی و موارد دیگر مبانی روش‌های عددی: درک مفاهیم بنیادی، اصول و تکنیک‌های مورد استفاده در تحلیل عددی. پیش‌نیازهای ریاضی: مرور مبانی ضروری ریاضی مورد نیاز برای محاسبات عددی، شامل حساب دیفرانسیل و انتگرال و جبر خطی. روش‌های یافتن ریشه: یادگیری الگوریتم‌های مختلف برای یافتن ریشه‌های معادلات، مانند روش تنصیف (Bisection)، روش نیوتن-رافسون و روش وتری (Secant). درونیابی و برون‌یابی: درونیابی لاگرانژ و تفاضل‌های تقسیم‌شده نیوتن. معادلات دیفرانسیل معمولی (ODEs): حل مسائل مقدار اولیه ODEها با استفاده از تکنیک‌های عددی مانند روش اویلر و روش‌های رونگه-کوتا (مانند RK4). سیستم‌های خطی: یادگیری حل دستگاه‌های معادلات خطی با استفاده از روش‌های مستقیم مانند حذف گاوسی، تجزیه LU و تجزیه QR. سیستم‌های خطی: یادگیری حل دستگاه‌های معادلات خطی با استفاده از روش‌های تکرار شونده مانند یاکوبی و گوس-سایدل. تحلیل خطا: درک منابع خطا در محاسبات عددی و نحوه تحلیل و به حداقل رساندن آن‌ها. برنامه‌نویسی پایتون: کسب تجربه عملی در برنامه‌نویسی پایتون برای پیاده‌سازی و حل روش‌های عددی. کتابخانه‌های پایتون: Numpy، SciPy و SymPy پیش نیازها: شما باید پیش‌زمینه پایه‌ای در جبر و حساب دیفرانسیل (مشتق، انتگرال و غیره) و همچنین تجربیات اولیه در برنامه‌نویسی داشته باشید. مبانی برنامه‌نویسی: اگرچه دوره برنامه‌نویسی پایتون را پوشش می‌دهد، اما داشتن تجربه قبلی یا آشنایی با مفاهیم برنامه‌نویسی مفید خواهد بود. داشتن دسترسی به یک ویرایشگر متن یا محیط توسعه یکپارچه (IDE) برای نوشتن و اجرای کدهای پایتون ضروری است.

به دنیای شگفت‌انگیز Rوش‌های عددیوارد شوید و قدرت زبان برنامه‌نویسی پایتونرا برای حل مسائل پیچیده ریاضی و فیزیکی آزاد کنید. در این دوره جامع، شما به مبانی تئوری ضروری تحلیل عددی می‌پردازید و همزمان تجربه عملی در پیاده‌سازی‌های کاربردی با پایتون کسب خواهید کرد.

از Yافت ریشه، درونیابی و انتگرال‌گیری عددی تا حل معادلات دیفرانسیل و بهینه‌سازی، این دوره شما را به دانش ریاضی و مهارت‌های برنامه‌نویسیلازم برای مقابله با طیف گسترده‌ای از چالش‌های دنیای واقعی مجهز می‌کند. شما یاد می‌گیرید که الگوریتم‌های عددی را به کار ببرید، نقاط قوت و محدودیت‌های آن‌ها را درک کنید و دقت آن‌ها را از طریق تحلیل دقیق خطا بسنجید.

این دوره که برای ریاضی‌دانان مشتاق و علاقه‌مندان به پایتون طراحی شده است، تعادلی کامل بین تئوری و کاربرد برقرار می‌کند. از طریق سخنرانی‌های جذاب، تمرین‌های کدنویسی تعاملی و پروژه‌های واقعی، درک عمیقی از اصول روش‌های عددی به دست می‌آورید و یاد می‌گیرید آن‌ها را به‌طور مؤثر با کتابخانه‌های پایتون مانند NumPy و SciPyپیاده‌سازی کنید.

چه هدف شما بهینه‌سازی طراحی‌های مهندسی باشد، چه شبیه‌سازی پدیده‌های فیزیکی، تحلیل داده‌های مالی یا ورود به حوزه علوم داده و یادگیری ماشین، دوره «روش‌های عددی با پایتون»به شما قدرت می‌دهد تا با دقت عددی به مسائل متنوع رویکرد داشته باشید. در این مسیر هیجان‌انگیز به ما بپیوندید و توانایی‌های حل مسئله خود را با هم‌افزایی ریاضیات و برنامه‌نویسی پایتون به اوج برسانید.


سرفصل ها و درس ها

مقدمه‌ای بر روش‌های عددی Introduction to Numerical Methods

  • مقدمه‌ای بر روش‌های عددی Introduction to Numerical Methods

نمایش اعداد Number representation

  • مقدمه‌ای بر نمایش اعداد Introduction to Number Representation

  • سیستم‌های اعداد صحیح موقعیتی Positional Integer Number Systems

  • تمرین: مبنای سیستم اعداد صحیح Exercise: Integer Number System Base

  • تمرین پایتون: سیستم‌های اعداد صحیح موقعیتی Python Exercise: Positional Integer Number Systems

  • سیستم‌های اعداد حقیقی موقعیتی Positional Real Number Systems

  • تمرین پایتون: سیستم‌های اعداد حقیقی موقعیتی Python Exercise: Positional Real Number Systems

  • نمایش ممیز ثابت Fix Point Representation

  • نمایش ممیز شناور Floating Point Representation

  • استاندارد IEEE 754 برای ممیز شناور IEEE Standard 754 for Floating Point

جبر خطی Linear Algebra

  • مقدمه‌ای بر فضای برداری Vector Space Introduction

  • زیرفضای برداری Vector Subspace

  • تمرین پایتون: بردارها با استفاده از آرایه‌های Numpy Python Exercise: vectors using Numpy array

  • مجموعه پوشش خطی (Linear Span) Linear Span Set

  • مجموعه بردارهای مستقل خطی Linearly Independent Vector Set

  • پایه و بعد فضای برداری Basis and Dimension of Vector Space

  • ضرب داخلی Inner Product

  • تبدیلات خطی و ماتریس‌ها Linear Transformations and Matrices

  • ضرب ماتریس در ماتریس و ماتریس در بردار Matrix-Matrix and Matrix-vector multiplication

  • تمرین پایتون: عملیات ماتریسی Python Exercise: Matrix operations

  • تمرین پایتون: رتبه و فضای پوچی ماتریس Python Exercise: Rank and Null Space of a Matrix

ماتریس‌ها و دستگاه معادلات خطی: حل‌کننده‌های مستقیم و تکرار شونده Matrices and System of Linear Equations: Direct and Iterative Solvers

  • مقدمه‌ای بر سیستم‌های خطی Linear System introduction

  • فرمول‌بندی ماتریسی سیستم‌های خطی Matricial Formulation of Linear Systems

  • دترمینان و معکوس ماتریس Determinant and Inverse of a Matrix

  • مقادیر ویژه و بردارهای ویژه EigenValues and EingenVectors

  • قطری کردن ماتریس Matrix diagonalization

  • تمرین قطری کردن Exercise Diagonalization

  • روش حذف گاوسی Gaussian Elimination Method

  • حذف گاوسی: ماتریس افزوده Gaussian Elimination: Augmented Matrix

  • تمرین پایتون: حذف گاوسی Python Exercise: Gaussian Elimination

  • تجزیه QR QR decomposition

  • تمرین پایتون: تجزیه QR گرام-اشمیت Python Exercise: Gram Schmidt QR-Decomposition

یافتن ریشه Root finding

  • مقدمه‌ای بر یافتن ریشه Root Finding Introduction

  • روش تنصیف (Bisection) Bisection Method

  • تمرین پایتون: روش تنصیف Python Exercise: Bisection Method

  • روش نیوتن Newton Method

  • تمرین پایتون: روش نیوتن Python Exercise: Newton Method

  • روش وتری (Secant) Secant Method

  • تمرین پایتون: روش وتری Python Exercise: Secant Method

  • نرخ همگرایی Convergence Rate

درونیابی Interpolation

  • مقدمه Introduction

  • مسئله درونیابی چندجمله‌ای Polynomial Interpolation Problem

  • وجود و یکتایی درونیابی چندجمله‌ای Existence and Uniqueness of Polynomial Interpolation

  • روش ماتریس واندرموند Vandermond Matrix method

  • تمرین پایتون: روش ماتریس واندرموند Python Exercise: Vandermond Matrix Method

  • روش لاگرانژ Lagrange Method

  • تمرین پایتون: روش لاگرانژ Python Exercise: Lagrange Method

  • روش نیوتن Newton Method

  • تمرین پایتون: روش نیوتن Python Exercise: Newton Method

  • فرمول تفاضل تقسیم شده Divided Difference Formula

  • تمرین پایتون: پدیده رانج (Runge) Python Exercise: Runge Phenomenon

  • مقدمه‌ای بر درونیابی چندجمله‌ای تکه‌ای Intro to Piecewise polynomial Interpolation

  • درونیابی اسپلاین مکعبی بخش اول Cubic Spline Interpolation part 1

  • درونیابی اسپلاین مکعبی بخش دوم Cubic spline interpolation part 2

  • تمرین پایتون: اسپلاین مکعبی Python Exercise: Cubic Spline

برازش منحنی و بهینه‌سازی Curve fitting and Optimization

  • مقدمه‌ای بر برازش منحنی Curve fitting Introduction

  • رگرسیون خطی Linear Regression

  • تمرین پایتون: رگرسیون خطی Python Exercise: Linear Regression

  • رگرسیون خطی چندگانه Multi Linear Regression

  • تمرین پایتون: رگرسیون خطی چندگانه Python Exercise: Multi-Linear Regression

انتگرال‌گیری عددی Numerical Integration

  • مقدمه‌ای بر انتگرال‌گیری عددی Introduction to Numerical Integration

  • فرمول‌بندی نیوتن-کوتس Newton Cotes Formulation

  • تمرین پایتون: نیوتن-کوتس بخش اول Python Exercise: Newton Cotes Part 1

  • تمرین پایتون: نیوتن-کوتس با Scipy بخش دوم Python Exercice: Newton Cotes Scipy Part 2

  • قاعده ذوزنقه‌ای Trapezoidal Rule

  • قاعده سیمپسون Simpson's Rule

  • تحلیل خطا: کران بالای خطای روش‌های نیوتن-کوتس Error Analysis: Error Upper Bound of Newton Cotes methods

  • تمرین پایتون: تحلیل خطای روش‌های نیوتن-کوتس Python Exercise: Error Analysis of Newton Cotes methods

معادلات دیفرانسیل معمولی: حل‌های تحلیلی Ordinary Differential Equations: Analytical solutions

  • مقدمه Introuction

  • تعریف ODE ODE Definition

  • معادلات ODE خطی همگن Linear Homogeneous ODEs

  • معادلات ODE خطی غیرهمگن Linear Non Homegeneous ODEs

  • روش تغییر پارامترها Variation of Parameters method

  • تمرین: تغییر پارامترها Exercise: Variation of Parameters

  • روش جداسازی متغیرها Variable Separation Method

  • مسئله مقدار اولیه Initial Value Problem

  • قضیه جهانی کوشی-لیپشیتز ۱ Cauchy Lipshitz Global Theorem 1

  • قضیه محلی کوشی-لیپشیتز ۲ Cauchy Lipshitz Local Theorem 2

  • تمرین: کوشی-لیپشیتز Exercise: Cauchy Lipshitz

معادلات دیفرانسیل معمولی: حل‌های عددی Ordinary Differential Equations: Numerical Solutions

  • مقدمه‌ای بر ODEهای عددی Introduction to Numerical ODEs

  • روش اویلر پیشرو Forward Euler Method

  • روش اویلر پسرو Backward Euler Method

  • تمرین پایتون: روش‌های اویلر Python Exercise: Euler Methods

  • روش Leapfrog Leapforg Method

  • مقدمه‌ای بر رونگه-کوتا ۲ Introduction to Runge Kutta 2

  • تمرین پایتون: RK2 Python Exercise: RK2

  • استخراج روش رونگه-کوتا ۲ Derivation of Runge Kutta 2

ضمیمه: پایتون Appendix: Python

  • مبانی پایتون Python Basics

نمایش نظرات

آموزش آنالیز و روش‌های عددی با پایتون: تئوری و کاربرد
جزییات دوره
14 hours
88
(آخرین آپدیت)
665
4.1 از 5
دارد
دارد
دارد
جهت دریافت آخرین اخبار و آپدیت ها در کانال تلگرام عضو شوید.

Google Chrome Browser

Internet Download Manager

Pot Player

Winrar

Mohamed Essadki Mohamed Essadki

مهندس نرم‌افزار، دکتری ریاضیات کاربردی