این دوره جامع، شما را با مفاهیم و تکنیک‌های اساسی ریاضیات عددی آشنا می‌کند و توانایی پیاده‌سازی آن‌ها را با استفاده از زبان‌های برنامه‌نویسی (عمدتاً پایتون) به شما می‌آموزد. پس از اتمام این دوره، شما قادر خواهید بود:

• مفاهیم بنیادی ریاضیات عددی: از جمله خطاهای محاسباتی، پایداری الگوریتم‌ها و همگرایی را درک کنید و تأثیر آن‌ها را بر نتایج نهایی ارزیابی کنید.
• روش‌های حل معادلات: تکنیک‌های عددی برای یافتن ریشه‌های معادلات غیرخطی (مانند روش نیوتن-رافسون و تنصیف) و حل سیستم‌های معادلات خطی (مانند حذف گاوس و تجزیه LU) را به کار بگیرید و آن‌ها را در سناریوهای مختلف پیاده‌سازی کنید.
• درون‌یابی و برون‌یابی: از روش‌های درون‌یابی (مانند درون‌یابی چندجمله‌ای لاگرانژ و اسپلاین) برای تخمین نقاط داده‌ای ناشناخته و مدل‌سازی رفتار توابع استفاده کنید.
• مشتق‌گیری و انتگرال‌گیری عددی: تکنیک‌های مختلفی برای محاسبه تقریبی مشتق و انتگرال توابع (مانند روش ذوزنقه، سیمپسون و انتگرال‌گیری گاوسی) را بیاموزید و آن‌ها را در کاربردهای عملی به کار ببندید.
• بهینه‌سازی عددی: با مبانی بهینه‌سازی توابع (مانند روش گرادیان کاهشی) آشنا شوید و مسائل بهینه‌سازی را به صورت عددی حل کنید که در حوزه‌هایی مانند یادگیری ماشین بسیار کاربردی است.
• کاربرد عملی: این تکنیک‌ها را در پروژه‌های عملی و مسائل دنیای واقعی در حوزه‌هایی مانند فیزیک، مهندسی، اقتصاد و علوم داده به کار ببرید و مهارت‌های حل مسئله خود را تقویت کنید.
• انتخاب ابزار مناسب: با کتابخانه‌های عددی پرکاربرد در پایتون (مانند NumPy برای عملیات برداری و ماتریسی و SciPy برای الگوریتم‌های عددی پیشرفته) آشنا شوید و از آن‌ها به طور موثر استفاده کنید.

با فراگیری ریاضیات عددی و محاسبات، شما نه تنها دانش تئوری خود را افزایش می‌دهید بلکه به مهارت‌های عملی ارزشمندی دست پیدا می‌کنید که مسیر شغلی شما را در بسیاری از صنایع متحول خواهد کرد:

• افزایش توان حل مسئله: قادر خواهید بود مسائل پیچیده مهندسی و علمی را که حل تحلیلی آن‌ها دشوار یا غیرممکن است، به روش‌های عددی حل کنید و به راه‌حل‌های دقیق و قابل اعتماد دست یابید.
• پایه و اساس علوم داده و هوش مصنوعی: بسیاری از الگوریتم‌های یادگیری ماشین و تحلیل داده بر مبنای اصول ریاضیات عددی هستند. این دوره پایه قوی برای درک عمیق‌تر این حوزه‌ها و توسعه الگوریتم‌های هوشمند فراهم می‌کند.
• شبیه‌سازی و مدل‌سازی: توانایی توسعه مدل‌های عددی برای شبیه‌سازی سیستم‌های فیزیکی، اقتصادی یا اجتماعی را به دست می‌آورید که ابزاری قدرتمند برای پیش‌بینی و تحلیل رفتار سیستم‌هاست.
• فرصت‌های شغلی گسترده: تقاضا برای متخصصان با مهارت در محاسبات عددی در صنایع مختلف از جمله فناوری (توسعه‌دهندگان نرم‌افزارهای علمی)، مالی (تحلیلگران کمی)، مهندسی (مهندسین شبیه‌سازی)، علوم تحقیقاتی و داروسازی رو به افزایش است.
• بهبود عملکرد کد: درک عمیق‌تر از الگوریتم‌های عددی به شما کمک می‌کند تا کدهای بهینه‌تر، دقیق‌تر و پایدارتری بنویسید که در کاربردهای با مقیاس بزرگ حیاتی است.
• تفکر انتقادی و تحلیلی: این دوره مهارت‌های تفکر تحلیلی و حل مسئله شما را تقویت می‌کند، زیرا باید نه تنها راه‌حل‌ها را پیاده‌سازی کنید بلکه دقت، پایداری و کارایی آن‌ها را نیز تحلیل کنید و برای مشکلات احتمالی چاره‌اندیشی کنید.

برای کسب بهترین نتیجه و بهره‌مندی حداکثری از مطالب این دوره، توصیه می‌شود که شرکت‌کنندگان پیش‌زمینه‌های زیر را داشته باشند:

• آشنایی با برنامه‌نویسی: تجربه عملی با یک زبان برنامه‌نویسی (ترجیحاً پایتون) در حد مقدماتی تا متوسط. درک مفاهیمی مانند متغیرها، حلقه‌ها، شرط‌ها، توابع، کلاس‌ها و ساختارهای داده ضروری است.
• مبانی جبر خطی: آشنایی با مفاهیمی مانند ماتریس‌ها، بردارها، عملیات ماتریسی (ضرب، جمع، ترانهاده)، دترمینان و حل سیستم‌های خطی ساده. این مفاهیم پایه‌ای برای درک حل سیستم‌های معادلات خطی عددی هستند.
• مبانی حسابان (کالکولوس): درک مفاهیم مشتق، انتگرال، حد، پیوستگی و توابع چندمتغیره. این دانش برای درک الگوریتم‌های مشتق‌گیری و انتگرال‌گیری عددی و بهینه‌سازی ضروری است.
• تفکر منطقی و ریاضی: توانایی درک و دنبال کردن استدلال‌های ریاضی و حل مسائل منطقی. این مهارت به شما کمک می‌کند تا الگوریتم‌های پیچیده را تجزیه و تحلیل کنید و راه‌حل‌های خلاقانه ارائه دهید.

این دوره به صورت ماژولار و سازمان‌یافته طراحی شده و شامل سرفصل‌های اصلی زیر است تا یادگیری شما را گام به گام پیش ببرد:

• ماژول ۱: مقدمه و مروری بر مبانی ریاضیات عددی
  • اهمیت ریاضیات عددی در برنامه‌نویسی، علوم داده و کاربردهای مهندسی
  • مروری بر مفاهیم پایه ریاضی (توابع، سری‌ها، بردارها و ماتریس‌ها) مورد نیاز در محاسبات عددی
  • آشنایی با محیط پایتون، Jupyter Notebook و کتابخانه‌های قدرتمند NumPy و SciPy برای محاسبات علمی
• ماژول ۲: خطاها و دقت محاسبات عددی
  • بررسی انواع خطاها در محاسبات عددی (خطای گرد کردن، خطای بریدن، خطای ذاتی) و منابع آن‌ها
  • مفهوم انتشار خطا و تحلیل پایداری عددی الگوریتم‌ها
  • آشنایی با عدد حالت (Condition Number) و تأثیر آن بر دقت نتایج
• ماژول ۳: حل معادلات غیرخطی تک‌متغیره
  • روش تنصیف (Bisection Method) و تضمین همگرایی آن
  • روش مکان ثابت (Fixed-Point Iteration) و شرایط همگرایی
  • روش نیوتن-رافسون (Newton-Raphson Method) و همگرایی سریع آن
  • روش سکانت (Secant Method) به عنوان جایگزینی برای نیوتن-رافسون
  • مقایسه، مزایا و معایب هر روش و انتخاب بهترین روش برای مسائل مختلف
• ماژول ۴: حل سیستم‌های معادلات خطی
  • روش‌های مستقیم: حذف گاوس (Gaussian Elimination)، تجزیه LU و کاربردهای آن‌ها در حل سیستم‌های بزرگ
  • روش‌های تکراری: ژاکوبی (Jacobi) و گاوس-سایدل (Gauss-Seidel) برای سیستم‌های بزرگ و تنک
  • مفهوم معکوس ماتریس، دترمینان و کاربردهای آن در حل معادلات خطی
• ماژول ۵: درون‌یابی و تقریب تابع
  • درون‌یابی چندجمله‌ای: لاگرانژ (Lagrange) و نیوتن (Newton) و خطای درون‌یابی
  • درون‌یابی اسپلاین (Spline Interpolation) برای ایجاد منحنی‌های هموارتر
  • روش حداقل مربعات (Least Squares Method) برای رگرسیون و برازش منحنی به داده‌ها
• ماژول ۶: مشتق‌گیری و انتگرال‌گیری عددی
  • فرمول‌های تفاضل محدود (Forward, Backward, Central Difference) برای مشتق‌گیری عددی
  • قاعده ذوزنقه (Trapezoidal Rule) و قاعده سیمپسون (Simpson’s Rule) برای انتگرال‌گیری عددی
  • مقدمه‌ای بر انتگرال‌گیری گاوسی (Gaussian Quadrature) برای دقت بالاتر
• ماژول ۷: مقدمه‌ای بر بهینه‌سازی عددی
  • مبانی بهینه‌سازی و انواع مسائل بهینه‌سازی (مینیمم/ماکسیمم محلی و سراسری)
  • روش گرادیان کاهشی (Gradient Descent) و انواع آن (Batch, Stochastic, Mini-batch)
  • کاربردها در یادگیری ماشین و شبکه‌های عصبی
• ماژول ۸: کاربردهای عملی و پروژه‌های پایانی
  • حل مسائل مهندسی و علمی واقعی با استفاده از روش‌های عددی آموخته شده
  • استفاده از کتابخانه‌های پیشرفته SciPy برای حل مسائل پیچیده و بهینه‌سازی شده
  • پروژه‌های عملی و چالش‌برانگیز برای تثبیت مفاهیم آموخته شده و تقویت مهارت‌های کدنویسی

برای درک بهتر مفاهیم، در طول دوره بر مثال‌های کاربردی و پیاده‌سازی عملی تأکید می‌شود. در اینجا چند نمونه از سناریوهایی که با استفاده از تکنیک‌های این دوره قادر به حل آن‌ها خواهید بود، آورده شده است:

• یافتن ریشه‌های یک معادله پیچیده مهندسی: فرض کنید می‌خواهید نقطه تعادل یک سیستم مکانیکی یا مدار الکتریکی را بیابید که با یک معادله غیرخطی تعریف می‌شود. با استفاده از روش‌هایی مانند نیوتن-رافسون (با تابع newton از scipy.optimize)، می‌توانید ریشه این معادله را با دقت بالا پیدا کنید. به عنوان مثال، حل معادله x * exp(x) = 5 برای یافتن x.
• محاسبه مساحت زیر نمودار: در مهندسی عمران، فیزیک یا اقتصاد، ممکن است نیاز به محاسبه مساحت زیر یک منحنی داشته باشید که فرمول تحلیلی آن پیچیده یا نامعلوم است (مثلاً برای تابع چگالی احتمال یا نمودار تنش-کرنش). با استفاده از روش‌های انتگرال‌گیری عددی مانند سیمپسون (با تابع simpson از scipy.integrate)، می‌توانید به راحتی این مساحت را تخمین بزنید.
• تحلیل مدار الکتریکی با سیستم‌های خطی: در تحلیل مدارهای الکتریکی پیچیده با چندین حلقه و گره، معادلات ولتاژ و جریان اغلب به صورت یک سیستم از معادلات خطی بیان می‌شوند. با استفاده از تکنیک‌هایی مانند حذف گاوس یا تجزیه LU (با تابع solve از numpy.linalg)، می‌توانید ولتاژها و جریان‌های مجهول را محاسبه کنید.
• درون‌یابی داده‌های آزمایشگاهی: اگر مجموعه‌ای از نقاط داده از یک آزمایش دارید و می‌خواهید مقدار تابع را در نقطه‌ای بین داده‌های موجود تخمین بزنید، می‌توانید از روش‌های درون‌یابی لاگرانژ یا اسپلاین (با تابع interp1d از scipy.interpolate) استفاده کنید. این کار به شما کمک می‌کند تا رفتار تابع را بین نقاط مشاهده شده مدل‌سازی کنید.
• بهینه‌سازی توابع هزینه در یادگیری ماشین: الگوریتم‌های یادگیری ماشین مانند رگرسیون خطی یا شبکه‌های عصبی اغلب شامل حداقل‌سازی یک تابع هزینه هستند. روش‌هایی مانند گرادیان کاهشی که در این دوره پوشش داده می‌شوند، اساس این فرآیندهای بهینه‌سازی را تشکیل می‌دهند و به شما امکان می‌دهند مدل‌های یادگیری ماشین را آموزش دهید.

این مثال‌ها تنها گوشه‌ای از کاربردهای وسیع ریاضیات عددی هستند و به شما نشان می‌دهند که چگونه دانش این حوزه می‌تواند به طور مستقیم در حل مسائل واقعی و توسعه نرم‌افزارهای پیشرفته به کار گرفته شود.

در این دوره، به نکات کلیدی زیر توجه ویژه‌ای می‌شود تا یادگیری شما مؤثر و کاربردی باشد:

• تمرکز بر پیاده‌سازی عملی: تاکید بر کدنویسی و استفاده از کتابخانه‌های پایتون (NumPy, SciPy) برای پیاده‌سازی الگوریتم‌ها و حل مسائل، نه صرفاً تئوری.
• درک خطاها: اهمیت تحلیل و مدیریت انواع خطاهای محاسباتی برای اطمینان از دقت نتایج، پایایی و قابل اعتماد بودن برنامه‌های شما.
• انتخاب روش مناسب: یادگیری اینکه کدام الگوریتم عددی برای یک مسئله خاص مناسب‌تر است و چرا، با در نظر گرفتن سرعت، دقت و پایداری.
• توسعه مهارت‌های حل مسئله: توانایی تفکیک مسائل پیچیده به بخش‌های قابل مدیریت و استفاده از ابزارهای عددی برای حل آن‌ها به صورت سیستماتیک.
• کاربردهای بین‌رشته‌ای: آشنایی با پتانسیل ریاضیات عددی در حوزه‌های مختلف علمی و مهندسی، از فیزیک و شیمی تا مالی و علوم زیستی.