Obliczenia naukowe I 1000-MS1-ObliNau1

W tym praktycznym kursie poznamy podstawy metod numerycznych oraz różne biblioteki obliczeń numerycznych oraz symbolicznych w języku Python. Poznamy różne problemy matematyczne oraz ich rozwiązanie poprzez wykorzystanie narzędzi programistycznych poprzedzone ścisłym rozumowaniem matematycznym. 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.

Program ramowy kursu:

1. Wprowadzenie do obliczeń naukowych. Precyzja maszynowa

2. Praca z danymi numerycznymi, tablice numpy.

3. Wizualizacja danych i wyników obliczeń.

4. Metody numeryczne, ich implementowanie i stosowanie (numpy, scipy)

5. Praca z różnymi formatami danych.

6. Obliczenia symboliczne (sympy)

7. Prezentacja innych niż Python programów oraz środowisk programistycznych przydatnych w obliczeniach naukowych.

Całkowity nakład pracy studenta

30 godz. - laboratoria 30 godz. - praca własna i zadania domowe RAZEM: 60 godz.

Efekty uczenia się - wiedza

ON_W1. Ma uporządkowaną wiedzę na temat dostępności, sposobów stosowania i zagrożeń płynących z wykorzystywania zewnętrznych bibliotek programistycznych. (K_W07). ON_W2. Zna przynajmniej dwie rozbudowane biblioteki programistyczne służące do rozwiązywania skomplikowanych problemów matematycznych. (K_W07). ON_W3. Zna przynajmniej jedną bibliotekę programistyczną służącą do wizualizacji danych liczbowych i zależności między nimi. (K_W07). ON_W4. Zna teoretyczne podstawy metod numerycznych w zakresie algebry liniowej, analizy i równań różniczkowych. (K_W04)

Efekty uczenia się - umiejętności

ON_U1. Potrafi wyszukiwać, instalować i używać zaawansowanych bibliotek programistycznych. (K_U12) ON_U2. Potrafi stosować biblioteki programistyczne w procesie tworzenia algorytmów rozwiązujących skomplikowane problemy matematyczne. (K_U12) ON_U3. Potrafi wykorzystywać biblioteki zewnętrzne do wykonywania i wizualizacji zaawansowanych obliczeń matematycznych. (K_U04) ON_U4. Potrafi przeformułować problem matematyczny w taki sposób, aby jego rozwiązanie wykorzystywało metody dostępne w stosowanych bibliotekach programistycznych. (K_U12) ON_U5. Potrafi krytycznie ocenić wyniki otrzymane z komputera. (K_U12)

Efekty uczenia się - kompetencje społeczne

ON_K1. Potrafi precyzyjnie formułować pytania służące pogłębieniu własnego zrozumienia danego tematu lub odnalezieniu brakujących elementów rozumienia. (K_K03) ON_K2. Potrafi samodzielnie wyszukiwać informacje w literaturze, także w językach obcych. (K_K04) ON_K3. Potrafi myśleć analitycznie, sformułować wymagania funkcjonalne programu, dobrać algorytm potrafiący rozwiązać dany problem oraz potrafi ocenić jego przydatność. (K_K03) ON_K4. Pracuje systematycznie i posiada umiejętność pozytywnego podejścia do trudności stojących na drodze do realizacji założonego celu; dotrzymuje terminów. (K_K04) ON_K5. Potrafi krytycznie ocenić wyniki otrzymane z komputera.

Koordynatorzy przedmiotu

W cyklu 2024/25L:

Krzysztof Leśniak

W cyklu 2025/26L:

Daniel Strzelecki

Metody dydaktyczne

- Metody dydaktyczne: Laboratorium, konwersatorium. - Metody dydaktyczne eksponujące: pokaz. - Metody dydaktyczne podające: wykład informacyjny (konwencjonalny). - Metody dydaktyczne poszukujące: klasyczna metoda problemowa, laboratoryjna.

Metody dydaktyczne eksponujące

- pokaz

Metody dydaktyczne podające

- wykład konwersatoryjny

Wymagania wstępne

Znajomość podstaw Pythona, podstawowych algorytmów, struktur danych, pojęć analizy matematycznej, algebry liniowej, rachunku prawdopodobieństwa i statystyki matematycznej.

Kryteria oceniania

Laboratoria kończą się zaliczeniem na ocenę.
Ocena będzie wystawiona na podstawie zadań wykonywanych samodzielnie (prace domowe) oraz na podstawie kolokwium.

Podstawowym kryterium otrzymania zaliczenia są:

- systematyczne rozwiązywanie zadań domowych (zaliczenie na co najmniej 50% punktów);
- zaliczony pozytywnie sprawdzian (zaliczenie na co najmniej 50% punktów);
- obecność na zajęciach.

Literatura

[0] Matematyczny Python, Obliczenia naukowe i analiza danych z użyciem NumPy, SciPy i Matplotlib, Robert Johansson, Helion 2021 (oryginał w języku angielskim "Numerical Python....")

[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:

Strona przedmiotu 1000-MS1-ObliNau1 w USOSweb