Discute des méthodes numériques, en se concentrant sur les critères d'arrêt, SciPy pour l'optimisation et la visualisation des données avec Matplotlib.
Couvre les techniques d'intégration numérique, en se concentrant sur l'interpolation de Lagrange et diverses méthodes de quadrature pour l'approximation des intégrales.
Couvre les techniques d'intégration numérique, en se concentrant sur les formules en quadrature composite et leurs applications pour l'approximation des intégrales avec une précision améliorée.
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.
Introduit l'optimisation numérique avec Scipy, couvrant la recherche zéro, la dimensionnalité du problème, les dérivés et les techniques de visualisation avancées.
Couvre les tableaux NumPy et leurs représentations graphiques à l'aide de Matplotlib, en se concentrant sur les techniques de création, de manipulation et de visualisation des tableaux.
Couvre les formules de quadrature interpolatoires pour approximer des intégrales définies en utilisant des polynômes et discute du caractère unique des solutions et des applications pratiques en intégration numérique.
Explore explicitement les méthodes de Runge-Kutta stabilisées et leur application aux problèmes inverses bayésiens, couvrant l'optimisation, l'échantillonnage et les expériences numériques.
Explore l'informatique scientifique en neuroscience, en mettant l'accent sur la simulation des neurones et des réseaux à l'aide d'outils comme NEURON, NEST et BRIAN.
