Undergraduate Elective 1033

• Ελληνικά
• English

Εισαγωγή στα Υπολογιστικά Μαθηματικά

Γενικά

Σχολή	Σχολή Θετικών Επιστημών
Τμήμα	Τμήμα Μαθηματικών
Επίπεδο Σπουδών	Προπτυχιακό
Κωδικός Μαθήματος	MAE742A
Εξάμηνο	7
Τίτλος Μαθήματος	Εισαγωγή στα Υπολογιστικά Μαθηματικά
Αυτοτελείς Διδακτικές Δραστηριότητες	Διαλέξεις (Εβδομαδιαίες Ώρες Διδασκαλίας: 3, Πιστωτικές Μονάδες: 6)
Τύπος Μαθήματος	Ειδίκευσης
Προαπαιτούμενα Μαθήματα
Γλώσσα Διδασκαλίας και Εξετάσεων	Ελληνική
Τρόπος Διεξαγωγής Μαθήματος	Δια ζώσης (100%)
Το Μάθημα Προσφέρεται σε Φοιτητές Erasmus	Ναι (στην Αγγλική γλώσσα)
Ηλεκτρονική Σελίδα Μαθήματος (URL)	Δείτε το eCourse, την Πλατφόρμα Ασύγχρονης Εκπαίδευσης του Πανεπιστημίου Ιωαννίνων.

Μαθησιακά Αποτελέσματα

Μαθησιακά Αποτελέσματα

Η Επιστήμη, παραδοσιακά, βασίζεται σε δύο μεγάλους πυλώνες, τον θεωρητικό και τον πειραματικό. Κατά τη διάρκεια των τελευταίων δεκαετιών, ωστόσο, έχει αναδειχθεί και αναγνωριστεί ο υπολογιστικός κλάδος ως ο τρίτος πυλώνας της Επιστήμης. Πλέον, στους περισσότερους επιστημονικούς κλάδους, οι θεωρητικές και οι πειραματικές μελέτες είναι άρρηκτα συνδεδεμένες με την ανάλυση σε ηλεκτρονικούς υπολογιστές. Για να σταθεί ο πτυχιούχος με αξιώσεις στο σύγχρονο επιστημονικό αλλά και εργασιακό περιβάλλον, οι γνώσεις σε υπολογιστικές τεχνικές θεωρούνται απαραίτητο προσόν. Το μάθημα αποσκοπεί να εισάγει τον φοιτητή στο πεδίο των υπολογιστικών μαθηματικών δίνοντας έμφαση στην υλοποίηση αριθμητικών μεθόδων με τη χρήση ηλεκτρονικών υπολογιστών. Ο φοιτητής θα έχει τη δυνατότητα στα πλαίσια του μαθήματος, το οποίο φέρει αμιγώς εργαστηριακό χαρακτήρα, να εξοικειωθεί με τις γλώσσες προγραμματισμού Matlab και Python, τις πλέον διαδεδομένες για την εκτέλεση επιστημονικών υπολογισμών. Εργαζόμενος αυτόνομα και σε ομάδες, ο φοιτητής θα κληθεί να υλοποιήσει και να εφαρμόσει υπολογιστικές μεθόδους που άπτονται των πεδίων της αριθμητικής ανάλυσης και της αριθμητικής γραμμικής άλγεβρας. Συγκεκριμένα, οι στόχοι του μαθήματος, που θα υλοποιηθούν σε ηλεκτρονικούς υπολογιστές στο περιβάλλον του εργαστηρίου, είναι: Εξοικείωση με τις γλώσσες προγραμματισμού Matlab και Python, για την υλοποίηση αριθμητικών μεθόδων και το σχεδιασμό γραφικών παραστάσεων  Υλοποίηση πολυωνυμικής παρεμβολής και προσέγγισης συναρτήσεων Εφαρμογή αριθμητικής ολοκλήρωσης Επίλυση γραμμικών και μη γραμμικών εξισώσεων Επίλυση συστημάτων γραμμικών εξισώσεων Μελέτη άμεσων και επαναληπτικών μεθόδων.

Γενικές Ικανότητες

Αναζήτηση, ανάλυση και σύνθεση δεδομένων και πληροφοριών, με τη χρήση των απαραίτητων τεχνολογιών Αυτόνομη εργασία Ομαδική εργασία Προαγωγή της ελεύθερης, δημιουργικής και επαγωγικής σκέψης

Περιεχόμενο Μαθήματος

Ορισμός και πράξεις διανυσμάτων και πινάκων  Βασικές εντολές και λειτουργίες πινάκων  Σχεδιασμός γραφικών παραστάσεων Πολυωνυμική Παρεμβολή: Μέθοδος Lagrange, Μέθοδος του Νεύτωνα Αριθμητική Ολοκλήρωση: Απλοί και γενικευμένοι τύποι αριθμητικής ολοκλήρωσης, κανόνας του ορθογωνίου, κανόνας του τραπεζίου, κανόνας του Simpson, ολοκλήρωση κατά Gauss Αριθμητική επίλυση μη γραμμικών εξισώσεων: επαναληπτικές μέθοδοι, μέθοδος διαδοχικών διχοτομήσεων, μέθοδος σταθερού σημείου, μέθοδος του Νεύτωνα Αριθμητική επίλυση γραμμικών συστημάτων - Άμεσες μέθοδοι: απαλοιφή Gauss, LU παραγοντοποίηση  Αριθμητική επίλυση γραμμικών Συστημάτων - Επαναληπτικές μέθοδοι: Jacobi, Gauss-Seidel

Διδακτικές και Μαθησιακές Μέθοδοι - Αξιολόγηση

Τρόπος Διδασκαλίας	Στο εργαστήριο.
Τρόπος και Συχνότητα Επικοινωνίας με Φοιτητές	Η επικοινωνία με τους φοιτητές γίνεται: Μέσω email. Δια ζώσης στο γραφείο. Κατά τη διάρκεια των διαλέξεων. Η συχνότητα επικοινωνίας με τους φοιτητές καθορίζεται από τις ανάγκες των φοιτητών.
Διασφάλιση Τρόπου Επικοινωνίας Μεταξύ Φοιτητών	Συνέργεια στα πλαίσια της παράδοσης του μαθήματος.
Χρήση Τεχνολογιών Πληροφορίας και Επικοινωνιών	Χρήση πακέτων λογισμικού επιστημονικών υπολογισμών.
Απαιτούμενος Τεχνολογικός Εξοπλισμός και Γνώσεις Τεχνολογίας	Δεν απαιτείται τεχνολογικός εξοπλισμός, καθώς παρέχεται. Δεν απαιτούνται εξειδικευμένες γνώσεις τεχνολογίας.
Πολιτική Μαθήματος για τη Λογοκλοπή και Εργαλεία Ελέγχου Λογοκλοπής	Η λογοκλοπή απαγορεύεται ρητά και τιμωρείται κλιμακούμενα, ανάλογα με την επανάληψη της χρήσης της. Ελέγχεται, δε, με σχετικά εργαλεία όπως το "Turnitin", που παρέχει η Βιβλιοθήκη του Πανεπιστημίου.
Πολιτική Μαθήματος για τη Χρήση Τεχνητής Νοημοσύνης	Επιτρέπεται η χρήση Τεχνητής Νοημοσύνης κατόπιν άδειας από τον διδάσκοντα/τη διδάσκουσα.
Οργάνωση Διδασκαλίας	Δραστηριότητα Φόρτος Εργασίας Εξαμήνου Διαλέξεις (13Χ3) 39 Αυτοτελής Μελέτη- Εργαστηριακές Ασκήσεις 78 Εκπόνηση μελέτης (project) 33 Σύνολο Μαθήματος 150
Αξιολόγηση Φοιτητών	Εβδομαδιαίες εργαστηριακές ασκήσεις  Εκπόνηση εργασίας (project) Τελική εξέταση

Συνιστώμενη Βιβλιογραφία

Δείτε την υπηρεσία Εύδοξος. Συγγράμματα και άλλες πηγές εκτός της υπηρεσίας Εύδοξος:

Introduction to Computational Mathematics

General

School	School of Science
Academic Unit	Department of Mathematics
Level of Studies	Undergraduate
Course Code	MAE742A
Semester	7
Course Title	Introduction to Computational Mathematics
Independent Teaching Activities	Lectures (Weekly Teaching Hours: 3, Credits: 6)
Course Type	Special Background
Prerequisite Courses	-
Language of Instruction and Examinations	Greek
Mode of Course Delivery	Face-to-face (100%)
Is the Course Offered to Erasmus Students	Yes (in English)
Course Website (URL)	See eCourse, the Learning Management System maintained by the University of Ioannina.

Learning Outcomes

Learning outcomes

Science is based on two major pillars, both theoretical and experimental. However, over the last few decades scientific computing has emerged and recognized as the third pillar of science. Now, in most scientific disciplines, theoretical and experimental studies are linked to computer analysis. In order for the graduate student to be able to stand with claims in the modern scientific and work environment, knowledge in computational techniques is considered a necessary qualification. The course aims to introduce the student into the field of computational mathematics, emphasizing the implementation of numerical methods using computers. The student will be able to familiarize himself with Matlab and Python programming languages, the most widespread for performing scientific calculations. Working autonomously and in groups, the student will be required to implement computational methods related to the fields of numerical analysis and numerical linear algebra. Specifically, the objectives of this laboratory course are: Familiarity with Matlab and Python programming languages to implement numerical methods and graphical design of the numerical solutions Implementation of polynomial interpolation and function approximation Apply numerical integration Solving linear and nonlinear equations Solving systems of linear equations Study of direct and iterative methods.

General Competences

The course aims to enable the student to: Search, analyze and synthesize data and information, using the available technologies Work autonomously Work in a team Promote free, creative and inductive thinking

Syllabus

Vector and matrix definition and calculations Basic commands and functions Graphic representation of the numerical results Polynomial interpolation: Lagrange Method, Newton's Method Numerical integration: Simple and generalized types of numerical integration, rectangular rule, trapezoid rule, Simpson rule, Gauss integration Numerical solution of non-linear equations: iterative methods, bisection method, fixed point method, Newton's method Numerical solution of linear systems - Direct methods: Gauss elimination, LU decomposition.

Teaching and Learning Methods - Evaluation

Mode of Instruction	In the laboratory.
Mode and Frequency of Communication with Students	Communication with students takes place through: Email. In-person meetings during office hours. During lectures. The frequency of communication with students is determined by their needs.
Ensuring Communication Among Students	Collaboration and interaction are encouraged within the context of course delivery.
Use of Information and Communications Technology	Use of scientific computing software packages.
Required Technological Equipment and Technology Skills	No technological equipment is required from students, as all necessary equipment is provided. No specialized technology skills are required.
Course Policy on Plagiarism and Plagiarism Detection Tools	Plagiarism is strictly prohibited and is subject to progressively stricter penalties in the event of repeated offenses. It is monitored using plagiarism detection tools such as Turnitin, which is provided by the University Library.
Course Policy on the Use of Artificial Intelligence	The use of Artificial Intelligence is permitted only with the prior approval of the instructor.
Teaching Methods	Activity Semester Workload Lectures 39 Study of bibliography 39 Laboratory exercises 39 Home exercises (project) 33 Course total  150
Student Performance Evaluation	Weekly assignments Final project Written examination at the end of the semester

Attached Bibliography

See the official Eudoxus site. Books and other resources, not provided by Eudoxus:

• Introduction to Numerical Analysis, G.D. Akrivis, V.A. Dougalis, 2010 (in Greek).
• Numerical Linear Algebra, V. Dougalis, D. Noutsos, A. (in Greek).
• A Primer on Scientific Programming with Python, H. P. Langtangen, Springer-Verlag Berlin Heidelberg, 5 Edition, 2016.
• Programming for Computations- MATLAB/Octave, S. Linge, H. P. Langtangen, Springer International Publishing, 2016 (in Greek).