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 les compromis entre les données et le temps dans les problèmes de calcul, en mettant l'accent sur les rendements décroissants et les compromis continus.
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.
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 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.
Décrit le programme de maîtrise en sciences et ingénierie informatiques de l'EPFL, détaillant sa structure, ses projets et ses opportunités de carrière pour les diplômés.