Nhóm chủ đề 8/8
Toán ứng dụng và tính toán
Applied and Computational Mathematics
Phương trình đạo hàm riêng, giải tích số, tối ưu hóa, phương pháp ma trận cho dữ liệu và hệ động lực: đưa toán vào mô hình và máy tính.
5 chủ đềkhoảng 220 giờ19 khóa học14 sách
Theo cấp độ: 4 Trung bình · 1 Nâng cao
Giới thiệu
Nhóm Toán ứng dụng và tính toán gồm năm chủ đề: Phương trình đạo hàm riêng (truyền nhiệt, sóng, Laplace), Giải tích số (sai số, nội suy, tích phân số, giải hệ tuyến tính và phương trình vi phân bằng máy), Tối ưu hóa (quy hoạch tuyến tính, tối ưu lồi, điều kiện KKT), Phương pháp ma trận trong phân tích dữ liệu (phân rã ma trận, PCA, bình phương tối thiểu, gradient ngẫu nhiên) và Hệ động lực và hỗn loạn (ổn định, rẽ nhánh, chu trình giới hạn, hệ Lorenz).
Toán ứng dụng làm gì
Đây là nơi toán gặp bài toán thật: dự báo thời tiết là giải số các phương trình đạo hàm riêng, huấn luyện mô hình học máy là một bài toán tối ưu trên những ma trận khổng lồ, lập lịch sản xuất là quy hoạch tuyến tính. Người học nhóm này làm việc được ở giao điểm của toán, lập trình và một lĩnh vực ứng dụng.
Học thế nào
Cần vững đại số tuyến tính, phương trình vi phân và xác suất. Mỗi thuật toán học xong hãy tự cài đặt bằng Python (NumPy, SciPy) và thử trên dữ liệu thật, đồng thời hiểu vì sao nó hội tụ và khi nào nó thất bại — đó là khác biệt giữa người chỉ dùng thư viện và người hiểu toán ứng dụng.
Nên học trước
Thứ tự học
Sắp theo mục "Nên học trước" trong hướng dẫn của từng chủ đề.
Cần học trước
Đại số tuyến tính và phương trình vi phân: Phương trình vi phân
Nền tảng: Giải tích nhiều biến
Giáo trình: Partial Differential Equations: An Introduction
Khóa chính: Introduction to Partial Differential Equations · MIT
Giáo trình: Numerical Analysis
Khóa chính: Numerical Analysis · IIT Bombay
Cần học trước
Nền tảng: Giải tích nhiều biến
Đại số tuyến tính và phương trình vi phân: Đại số tuyến tính
Giáo trình: Convex Optimization
Khóa chính: Convex Optimization I · Stanford
Cần học trước
Đại số tuyến tính và phương trình vi phân: Đại số tuyến tính
Xác suất và thống kê: Xác suất thống kê
Giáo trình: Linear Algebra and Learning from Data
Khóa chính: Matrix Methods in Data Analysis, Signal Processing, and Machine Learning · MIT
Cần học trước
Đại số tuyến tính và phương trình vi phân: Phương trình vi phân, Đại số tuyến tính
Giáo trình: Nonlinear Dynamics and Chaos: With Applications to Physics, Biology, Chemistry, and Engineering
Khóa chính: Nonlinear Dynamics I: Chaos · MIT
Kỹ năng đạt được
- Giải phương trình đạo hàm riêng cơ bản bằng tách biến và chuỗi Fourier
- Cài đặt và đánh giá sai số của các thuật toán số
- Mô hình hóa và giải bài toán tối ưu tuyến tính, tối ưu lồi
- Dùng SVD, bình phương tối thiểu và PCA để phân tích dữ liệu
- Phân tích ổn định, rẽ nhánh và hỗn loạn trong hệ phi tuyến
Nghề nghiệp
- Kỹ sư tính toán khoa học và mô phỏng
- Kỹ sư tối ưu hóa, vận trù học và chuỗi cung ứng
- Kỹ sư học máy, nhà khoa học dữ liệu
- Chuyên viên mô hình hóa trong tài chính, năng lượng, khí hậu