Obliczenia naukowe I 1000-MS1-ObliNau1
Wiele wolnodostępnych języków wysokiego poziomu jest wykorzystywanych do obliczeń w problemach naukowych. W tym praktycznym kursie poznamy różne biblioteki obliczeń numerycznych oraz symbolicznych. Poznamy różne problemy matematyczne oraz ich rozwiązanie poprzez wykorzystanie narzędzi programistycznych. Szczególny nacisk będzie położony na praktyczne wykorzystanie zdobytych umiejętności oraz skupienie się na łatwych i efektywnych sposobach rozwiązywania skomplikowanych zadań obliczeniowych. Poznamy różne techniki oraz metody profesjonalnej wizualizacji danych naukowych. Dowiemy się jak radzić sobie z różnymi typami oraz strukturami danych. Ponadto skupimy się na temacie narzędzi zapewniających szybkie przetwarzanie oraz analizę danych. Omówione zostanie wykorzystanie dodatkowych bibliotek programistycznych w celu poprawy efektywności obliczeń.
Program ramowy kursu:
1. Wprowadzenie do obliczeń naukowych. Prezentacja dostępnych programów oraz środowisk programistycznych.
2. Obliczenia symboliczne.
3. Narzędzia statystyczne.
4. Obliczenia numeryczne.
5. Pakiety rozwiązujące problemy optymalizacyjne.
6. Wizualizacja danych.
7. Praca z różnymi formatami danych (np. CSV).
8. Wprowadzenie do eksploracji i analizy danych (np. regresja).
9. Przetwarzania obrazów.
Całkowity nakład pracy studenta
Efekty uczenia się - wiedza
Efekty uczenia się - umiejętności
Efekty uczenia się - kompetencje społeczne
Metody dydaktyczne
Metody dydaktyczne eksponujące
Metody dydaktyczne podające
Wymagania wstępne
Koordynatorzy przedmiotu
Kryteria oceniania
Laboratoria kończą się zaliczeniem na ocenę.
Ocena będzie wystawiona na podstawie projektów wykonywanych częściowo w trakcie laboratoriów i częściowo samodzielnie oraz na podstawie sprawdzianu.
Podstawowym kryterium otrzymania zaliczenia są:
- systematyczne rozwiązywanie zadań programistycznych przedstawionych na zajęciach;
- zaliczony pozytywnie sprawdzian.
Literatura
[1] Fast Lane to Python, Norman Matloff
[2] Thinking in Python, Bruce Eckel, http://www.mindview.net/Books/TIPython
[3] Python scripting for computational science, Langtangen, Hans Petter, Berlin; Heidelberg: Springer, cop. 2009.
[4] Matplotlib for Python Developers, Sandro Tosi, Packt Publishing, 2009.
[5] Python for Data Analysis, Wes McKinney, O'Reilly Media, Inc., 2012.
Więcej informacji
Dodatkowe informacje (np. o kalendarzu rejestracji, prowadzących zajęcia, lokalizacji i terminach zajęć) mogą być dostępne w serwisie USOSweb: