Vai al contenuto principale
Se prosegui nella navigazione del sito, ne accetti le politiche:
  • Condizioni di utilizzo e trattamento dei dati / Terms of Use and Data Processing
Prosegui
x
Life Long Learning
  • Home
  • Calendario
  • Progetti
    Progetto Alma Progetto MERITA
  • Corsi
  • Altro
Ricerca in tutto il sito Chiudi
Attiva/disattiva input di ricerca
Italiano ‎(it)‎
English ‎(en)‎ Italiano ‎(it)‎
Ospite
Login
Life Long Learning
Home Calendario Progetti Minimizza Espandi
Progetto Alma Progetto MERITA
Corsi

Calcolo Scientifico in Python - Ottimizzazione ed equazioni differenziali per la modellistica

  • Matematica/Math

Cover

  • Corso
  • Cover
  • Altro

Blocchi

Card image

Calcolo Scientifico in Python - Ottimizzazione ed equazioni differenziali per la modellistica

Metodi computazionali avanzati: dall'ottimizzazione nonlineare alla simulazione di modelli meccanici
Accedi / Open

Cover

View enrolment page
  • Informazioni
  • Descrizione
  • Destinatari
  • Accesso e Attestato di partecipazione
  • Altro

Salta Informazioni

Informazioni

Tag del corso
Matematica/Math
Lingua
Italiano
Modalità
Autoapprendimento
CREDITI
Nessuno
APERTURA
Marzo 2026
ORE DI FORMAZIONE
20
Certificazione
Attestato
Accesso
Gratuito

IL CORSO APRE A DICEMBRE 2025

Login per accedere al corso
Salta Descrizione

Descrizione

Il corso avanzato si propone di illustrare metodi computazionali più complessi, che richiedono conoscenze matematiche più avanzate. In particolare questo corso presenta diversi algoritmi di ottimizzazione nonlineare, evidenziandone vantaggi e svantaggi a seconda delle applicazioni, ed espone i concetti base della simulazione di semplici modelli della meccanica del continuo, mediante differenze finite ed elementi finiti.

Libri di testo e letture consigliate

Libri di testo:

  • Dispense del corso erogate sotto forma di slides PDF e iPython notebooks


Letture consigliate:

  • Hans Petter Langtangen, “A Primer on Scientific Programming with Python”, Springer, 2016
  • Documentazione Numpy https://docs.scipy.org/doc/numpy/contents.html
  • Documentazione Scipy   https://docs.scipy.org/doc/scipy/reference/
  • Documentazione Matplotlib https://matplotlib.org/contents.html
  • Scipy Lecture Notes  http://www.scipy-lectures.org
  • Scipy CookBook http://scipy-cookbook.readthedocs.io/index.html
  • CUDA C Programming Guide: https://docs.nvidia.com/cuda/cuda-c-programming-guide/
  • Numba for CUDA GPUs: http://numba.pydata.org/numba-doc/0.38.0/cuda/index.html

Salta Docenti

Docenti

Immagine dell'utente

Fabio Marcuzzi

Fabio Marcuzzi is Assistant Professor in the Department of Mathematics at the University of Padova. His main research activities include: numerical linear algebra for data analysis and system identification, computational inverse problems, scientific computing on embedded/GPU architectures. He teaches "Numerical Methods for Data Analysis" for the Master of Science in Mathematics, and "Computational Inverse Problems" for the Ph.D. School on Information Engineering at the University of Padova; both have labs in Python since 2008. More info on his scientific activity can be found at URL: http://www.math.unipd.it/~marcuzzi

Salta Course outline

Course outline

Calcolo Scientifico in Python - Ottimizzazione ed equazioni differenziali per la modellistica

Introduzione al corso e presentazione dei docenti
Forum del corso
Materiali per gli studenti del MOOC
Ottimizzazione nonlineare e applicazione al fitting ai minimi quadrati nonlineari
Ottimizzazione nonlineare e applicazione al fitting ai minimi quadrati nonlineari
Root-finding 1-dimensionale
Root-finding 1-dimensionale
Root-finding N-dimensionale
Root-finding N-dimensionale
Minimi quadrati nonlineari senza vincoli
Minimi quadrati nonlineari senza vincoli
Introduzione all'ottimizzazione vincolata, moltiplicatori di Lagrange e condizioni KKT
Introduzione all'ottimizzazione vincolata, moltiplicatori di Lagrange e condizioni KKT
Trattamento dei vincoli: tecniche di Penalizzazione, Lagrangiana aumentata e Barriera
Trattamento dei vincoli: tecniche di Penalizzazione, Lagrangiana aumentata e Barriera
Minimi quadrati nonlineari vincolati: Il metodo di eliminazione dei vincoli
Minimi quadrati nonlineari vincolati: Il metodo di eliminazione dei vincoli
Stima delle condizioni iniziali di modelli nonlineari dinamici (ODEs)
Stima delle condizioni iniziali di modelli nonlineari dinamici (ODEs)
Introduzione ai modelli della meccanica del continuo retti da PDE: applicazioni e metodi numerici
Equazione del calore, Differenze finite 1D
Equazione del calore, Differenze Finite 1D
Equazione del calore, Differenze finite 2D (seriale)
Equazione del calore, Differenze finite 2D (seriale)
Equazione del calore, Differenze finite 2D (parallelo)
Equazione del calore, Differenze finite 2D (parallelo)
Esempio della corda, FEM 1D
Esempio della corda, FEM 1D
Modello di ordine ridotto: troncamento modale
Modello di ordine ridotto: troncamento modale
Flusso di Stokes, FEM 2D
Flusso di Stokes, FEM 2D
Navier Stokes, FEM 2D
Navier Stokes, FEM 2D
Numerical methods for nonlinear optimization
Simulazione numerica di modelli differenziali alle derivate parziali.pdf
Questionario week 1
Questionario week 2
Indicazioni
Salta Risultati di apprendimento attesi

Risultati di apprendimento attesi

  • Risolvere numericamente problemi di ottimizzazione nonlineare;
  • Progettare e implementare semplici algoritmi su discretizzazioni dello spazio (“mesh”);
  • Simulare al calcolatore semplici modelli del continuo, statici e dinamici.

IL CORSO APRE A DICEMBRE 2025

Login per accedere al corso
Salta Destinatari

Destinatari

I destinatari del corso sono studenti, laureati, ricercatori di qualunque disciplina, interessati al calcolo scientifico ad un livello intermedio/avanzato, tipico ormai di tutti i settori delle scienze applicate e dell'ingegneria.

Conoscenze pregresse necessarie sono: 
Conoscenze di base di programmazione, in particolare in linguaggio Python; 
Conoscenze di base di matematica, tipiche dei primi due anni delle lauree triennali di tipo scientifico o ingegneristico.

Verrà indicato del materiale introduttivo per colmare eventuali lacune. Per quanto riguarda il linguaggio Python, si raccomanda vivamente di consultare il materiale nel sito www.python.org

Salta Accesso e Attestato di partecipazione

Accesso e Attestato di partecipazione

Attestato di partecipazione

Salta Corsi suggeriti

Corsi suggeriti

Matematica Finanziaria
Economia/Economics and Finance, Matematica/Math

Matematica Finanziaria

Il corso apre a marzo 2026

24 ore | ITA | Attestato di partecipazione

Calcolo Scientifico in Python - Ottimizzazione ed equazioni differenziali per la modellistica
Matematica/Math

Calcolo Scientifico in Python - Ottimizzazione ed equazioni differenziali per la modellistica

Apertura: Marzo 2026

20 ore | ITA | Attestato di partecipazione

Precalculus: the Mathematics of Numbers, Functions and EquationsPrecalculus: the Mathematics of Numbers, Functions and Equations
Matematica/Math

Precalculus: the Mathematics of Numbers, Functions and EquationsPrecalculus: the Mathematics of Numbers, Functions and Equations

Enrol in FutureLearn platform

30 hrs |EN| Free certificate for Unipd

Blocchi

  • FAQ
  • Terms of service
  • Support

Portale dei Corsi on line dell'Università degli studi di Padova.
Creato con Moodle dall'Ufficio Digital Learning e Multimedia.

Ospite (Login)
Riepilogo della conservazione dei dati
Politiche
Ottieni l'app mobile
Powered by Moodle