Explore les schémas implicites dans l'analyse numérique, en mettant l'accent sur les propriétés de stabilité et de convergence dans la résolution des équations différentielles.
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 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 méthodes numériques pour résoudre les problèmes de valeurs limites en utilisant des méthodes de différence finie, de FFT et d'éléments finis.
Discute des différences finies et des éléments finis, en se concentrant sur la formulation variationnelle et les méthodes numériques dans les applications d'ingénierie.
Explore l'estimation des erreurs dans les méthodes numériques pour résoudre les équations différentielles ordinaires, en mettant l'accent sur l'impact des erreurs sur la précision et la stabilité de la solution.
Explore l'estimation des erreurs dans les méthodes numériques pour résoudre les équations différentielles, en se concentrant sur l'erreur de troncature locale, la stabilité et la continuité de Lipschitz.
