Panneau de gestion des cookies
NOTRE UTILISATION DES COOKIES
Des cookies sont utilisés sur notre site pour accéder à des informations stockées sur votre terminal. Nous utilisons des cookies techniques pour assurer le bon fonctionnement du site ainsi qu’avec notre partenaire des cookies fonctionnels de sécurité et partage d’information soumis à votre consentement pour les finalités décrites. Vous pouvez paramétrer le dépôt de ces cookies en cliquant sur le bouton « PARAMETRER » ci-dessous.

Méthodes numériques : problèmes dépendant du temps

Ects : 4

Enseignant responsable :

Volume horaire : 40.5

Description du contenu de l'enseignement :

Volume horaire détaillé : CM : 16h30, TD : 12h00, TP : 12h00

  • Introduction
  • Équations Différentielles Ordinaires : Euler Implicite, Runge Kutta, consistance, stabilité, A-stabilité
  • Applications des EDO : épidémiologie
  • Calcul automatique de dérivée (back-propagation) et contrôle: graphe computationnel, différentiation automatique
  • Application du calcul de dérivée: réseaux neuronaux et deep learning, contrôle
  • Équations Différentielles Stochastiques : Euler Maruyama, Milstein
  • Applications de EDS: calcul d'options en finance sur modèle log-normal

Pré-requis obligatoires :

python, algèbre matricielle,

Compétence à acquérir :

Présentation de méthodes de résolution numérique des problèmes d’évolution et d’éléments d’analyse numérique. Cours théorique mais aussi une forte partie implementation (en python).

Bibliographie, lectures recommandées

site de Gabriel Turinici (aller au cours en question), livre de l'enseignant sur ce sujet (cf Amazon)

En savoir plus sur le cours