Couvre la pensée algorithmique, la programmation Python, les méthodes numériques et les concepts informatiques essentiels pour l'informatique scientifique.
Introduit des méthodes de pointe dans l'optimisation et la simulation, couvrant des sujets tels que l'analyse statistique, la réduction de la variance et les projets de simulation.
Couvre l'algorithme Metropolis-Hastings et les approches basées sur les gradients pour biaiser les recherches vers des valeurs de vraisemblance plus élevées.
Couvre la simulation, la modélisation, les profils d'accélération, les fréquences naturelles, les calculs de rigidité et les solutions anti-résonance pour les robots multi-axes.
Explore les graphiques d'orchestration pour améliorer l'apprentissage avec des simulations et l'importance de consolider les connaissances par la pratique.
Introduit une boîte à outils MATLAB pour simuler les mouvements des épaules et des coudes, mettant l'accent sur la cinématique suractuée et redondante.
Explore des méthodes numériques stochastiques efficaces pour la modélisation et l'apprentissage, couvrant des sujets comme le moteur d'analyse et les inhibiteurs de la kinase.
Explore les chaînes Markov, Metropolis-Hastings, et la simulation à des fins d'optimisation, soulignant l'importance de l'ergonomie dans la simulation variable efficace.
Couvre l'environnement informatique pour les exercices de dynamique moléculaire et de Monte Carlo, en mettant l'accent sur la compréhension théorique plutôt que sur les compétences de codage.
