Analyse Numérique pour Ingénieurs (Coursera)

Analyse Numérique pour Ingénieurs  (Coursera)

Ce cours contient les 7 premiers chapitres d'un cours donné aux étudiants bachelor de l'EPFL. Il est basé sur le livre "Introduction à l'analyse numérique", J. Rappaz M. Picasso, Ed. PPUR. Des outils de base sont décrits dans les 5 premiers chapitres. Les deux derniers chapitres abordent la question de la résolution numérique d'équations différentielles.

Class Deals by MOOC List - Click here and see Coursera's Active Discounts, Deals, and Promo Codes.

Plus précisement, nous allons étudier les chapitres suivants du livre :
Chapitre 1 : interpolation, comment approcher une fonction par un polynôme?
Chapitre 2 : comment approcher des dérivées par des formules de différences finies?
Chapitre 3 : comment approcher des intégrales par des formules de quadrature?
Chapitres 4,5,6 : comment résoudre des (grands) systèmes linéaires?
Chapitre 8 : comment résoudre des équations et systèmes d’équations nonlinéaires?
Chapitre 9 : comment approcher la solution d’une équations différentielle (problème à valeur initiale)? Chapitre 10 : comment approcher la solution d’un problème aux limites unidimensionnel par une méthode de différences finies?
Un cours de deux heures est donc remplacé par des "video lectures" ainsi que les "quiz" correspondant. L'heure d'exercices est remplacée par un "exercice" où vous devrez faire des expériences numériques avec un programme matlab ou octave, et démontrer des résultats théoriques "peer review". Un questionnaire a choix multiple aura lieu à la fin du cours (30% de la note).
Il faut obtenir 60% de la note pour avoir le “statement of accomplishment” et 85% pour l'obtenir "with distinction".
Pour les étudiants EPFL, les heures de cours selon l'horaire is-academia sont maintenues. Vous devez visionner les "video lectures" de la semaine et faire les "quiz" avant l'heure de cours. Lors de la première heure de cours, je résoudrai l'exercice théorique (cet exercice theorique sera proposé comme "peer review" pour les étudiants externes). Une question du même type pourrait être posée lors de l'examen de juin. Lors de la deuxième heure de cours, je répondrai aux questions et je vous aiderai à faire l'"exercice" si nécessaire.
Le temps de travail estimé est le suivant. Il faut compter deux heures pour visualiser les "video lectures" et répondre aux "quiz". Il faut compter une heure pour faire l'"exercice", qui demande de compléter un programme matlab (ou octave) et une heure pour faire l'exercice théorique "peer review" soit cinq heures en tout. Après ces cinq heures, vous devriez avoir acquis la matière.

Syllabus

WEEK 1
Interpolation
Interpolation de Lagrange. Interpolation par intervalles.

WEEK 2
Dérivation numérique
Formules de différences finies pour approcher les dérivées premières et secondes.

WEEK 3
Intégration numérique
Formules de quadrature. Poids et points d'intégration. Formules de Gauss.

WEEK 4
Résolution de systèmes linéaires
Elimination de Gauss. Décomposition LU. Décomposition LL^T.

WEEK 5
Equations et systèmes d'équations non linéaires
Equations non linéaires. Méthodes de point fixe. Méthode de Newton. Systèmes non linéaires.

WEEK 6
Equations et systèmes d'équations différentielles
Equations différentielles du premier ordre. Existence et unicité. Schémas d'Euler. Systèmes différentiels du premier ordre.

WEEK 7
Problèmes aux limites unidimensionnels.
Un problème aux limites unidimensionnels linéaire. Méthode de différences finies. Un problème non linéaire.

WEEK 8
Examen final
Examen final (30% de la note)

Go to Class
MOOC List is learner-supported. When you buy through links on our site, we may earn an affiliate commission.

Related Courses

Computational Neuroscience (Coursera) Coursera
University of Washington

Computational Neuroscience (Coursera)

This course provides an introduction to basic computational methods for understanding what nervous systems do and for determining how they function. We will explore the computational principles governing various aspects of vision, sensory-motor control, learning, and memory. Specific topics that will be covered include representation of information by spiking neurons, processing of information in neural networks, and algorithms for adaptation and learning.

Sep 14th 2026
5-12 Weeks
Probabilistic Graphical Models 1: Representation (Coursera) Coursera
Stanford University

Probabilistic Graphical Models 1: Representation (Coursera)

Probabilistic graphical models (PGMs) are a rich framework for encoding probability distributions over complex domains: joint (multivariate) distributions over large numbers of random variables that interact with each other. These representations sit at the intersection of statistics and computer science, relying on concepts from probability theory, graph algorithms, machine learning, and more. They are the basis for the state-of-the-art methods in a wide variety of applications, such as medical diagnosis, image understanding, speech recognition, natural language processing, and many, many more. They are also a foundational tool in formulating many machine learning problems.

Aug 31st 2026
5-12 Weeks
Mathematical Biostatistics Boot Camp 1 (Coursera) Coursera
Johns Hopkins University

Mathematical Biostatistics Boot Camp 1 (Coursera)

This class presents the fundamental probability and statistical concepts used in elementary data analysis. It will be taught at an introductory level for students with junior or senior college-level mathematical training including a working knowledge of calculus. A small amount of linear algebra and programming are useful for the class, but not required.

Sep 14th 2026
4 Weeks
Conceptos y Herramientas para la Física Universitaria (Coursera) Coursera
Tecnológico de Monterrey

Conceptos y Herramientas para la Física Universitaria (Coursera)

Este curso provee al estudiante con conceptos y herramientas matemáticas para modelar problemas en física, que al aplicar podrá enfrentar con éxito los cursos de física universitarios. Así pues, la filosofía de este curso consiste en cubrir temas conceptuales relativos a la Física y desarrollar tu capacidad de aprender y aplicarlos en tu vida profesional.

Sep 14th 2026
5-12 Weeks
Introduction to Statistics (Coursera) Coursera
Stanford University

Introduction to Statistics (Coursera)

Stanford's "Introduction to Statistics" teaches you statistical thinking concepts that are essential for learning from data and communicating insights. By the end of the course, you will be able to perform exploratory data analysis, understand key principles of sampling, and select appropriate tests of significance for multiple contexts. You will gain the foundational skills that prepare you to pursue more advanced topics in statistical thinking and machine learning.

Sep 7th 2026
5-12 Weeks
Calculus: Single Variable Part 2 - Differentiation (Coursera) Coursera
University of Pennsylvania

Calculus: Single Variable Part 2 - Differentiation (Coursera)

Calculus is one of the grandest achievements of human thought, explaining everything from planetary orbits to the optimal size of a city to the periodicity of a heartbeat. This brisk course covers the core ideas of single-variable Calculus with emphases on conceptual understanding and applications. The course is ideal for students beginning in the engineering, physical, and social sciences.

Aug 31st 2026
3 Weeks
Differential Equations Part III Systems of Equations (Coursera) Coursera
Korea Advanced Institute of Science and Technology - KAIST

Differential Equations Part III Systems of Equations (Coursera)

This introductory courses on (Ordinary) Differential Equations are mainly for the people, who need differential equations mostly for the practical use in their own fields. So we try to provide basic terminologies, concepts, and methods of solving various types of differential equations as well as a rudimentary but indispensable knowledge of the underlying theory and some related applications.

Sep 7th 2026
5-12 Weeks
Initiation à la théorie des distributions (Coursera) Coursera
École Polytechnique

Initiation à la théorie des distributions (Coursera)

Une fonction discontinue peut-elle être solution d'une équation différentielle? Comment définir rigoureusement la masse de Dirac (une "fonction" d'intégrale un, nulle partout sauf en un point) et ses dérivées? Peut-on définir une notion de "dérivée d'ordre fractionnaire"? Cette initiation aux distributions répond à ces questions - et à bien d'autres.

Sep 7th 2026
5-12 Weeks