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 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.
Explore explicitement les méthodes de Runge-Kutta stabilisées et leur application aux problèmes inverses bayésiens, couvrant l'optimisation, l'échantillonnage et les expériences numériques.
Introduit des points d'équilibre et des bifurcations dans les équations différentielles, en discutant de leur stabilité et de leur pertinence dans divers contextes.
Couvre les méthodes itératives pour résoudre des équations linéaires et analyser la convergence, y compris le contrôle des erreurs et les matrices définies positives.
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.
