Couvre la vectorisation en Python en utilisant Numpy pour un calcul scientifique efficace, en soulignant les avantages d'éviter les boucles et de démontrer des applications pratiques.
Couvre les méthodes de résolution d'équations non linéaires, y compris les méthodes de bisection et de Newton-Raphson, en mettant l'accent sur les critères de convergence et d'erreur.
Explore explicitement les méthodes de Runge-Kutta stabilisées et leur application aux problèmes inverses bayésiens, couvrant l'optimisation, l'échantillonnage et les expériences numériques.
Couvre les méthodes de recherche de racines, en se concentrant sur les techniques de bisection et de sécante, leurs implémentations et les comparaisons de leurs taux de convergence.
Couvre les bases de l'analyse numérique et des méthodes de calcul utilisant Python, en se concentrant sur les algorithmes et les applications pratiques en mathématiques.
Couvre les bases de la géomécanique computationnelle, y compris la poroélasticité, la plasticité et les méthodes numériques pour résoudre les problèmes géotechniques.
Explore les méthodes numériques itératives pour résoudre les équations, en mettant l'accent sur les critères de convergence, les erreurs et l'impact des valeurs de départ.
