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 “Course Certificate”.
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

Linear Regression and Modeling (Coursera) Coursera
Duke University

Linear Regression and Modeling (Coursera)

This course introduces simple and multiple linear regression models. These models allow you to assess the relationship between variables in a data set and a continuous response variable. Is there a relationship between the physical attractiveness of a professor and their student evaluation scores? Can we predict the test score for a child based on certain characteristics of his or her mother? In this course, you will learn the fundamental theory behind linear regression and, through data examples, learn to fit, examine, and utilize regression models to examine relationships between multiple variables, using the free statistical software R and RStudio.

Sep 14th 2026
4 Weeks
Constructivism and Mathematics, Science, and Technology Education (Coursera) Coursera
University of Illinois at Urbana-Champaign

Constructivism and Mathematics, Science, and Technology Education (Coursera)

This course is designed to help participants examine the implications of constructivism for learning and teaching in science, mathematics, and technology focused areas. Course readings, discussions, and assignments will examine constructivist views of learning, research on students' ideas and idea-based interactions, research on instructional approaches taking student ideas into account, and challenges in implementing constructivist perspectives in instruction.

Sep 14th 2026
5-12 Weeks
Functions, Methods, and Interfaces in Go (Coursera) Coursera
University of California, Irvine

Functions, Methods, and Interfaces in Go (Coursera)

Continue your exploration of the Go programming language as you learn about functions, methods, and interfaces. Topics include the implementation of functions, function types, object-orientation in Go, methods, and class instantiation. As with the first course in this series, you’ll have an opportunity to create your own Go applications so you can practice what you’re learning.

Sep 14th 2026
4 Weeks
Estadística y probabilidad (Coursera) Coursera
Universidad Nacional Autónoma de México

Estadística y probabilidad (Coursera)

En este curso podrás apoyar tu formación en temas de estadística y probabilidad I. Más allá de que encuentres aquí un apoyo para lograr una calificación, el curso busca ayudarte a que adquieras los aprendizajes que comprenden temas de estadística descriptiva, datos bivariados y probabilidad, los cuales te serán de utilidad en tu paso por la licenciatura y en tu vida profesional.

Sep 28th 2026
4 Weeks
Matrix Methods (Coursera) Coursera
University of Minnesota

Matrix Methods (Coursera)

Mathematical Matrix Methods lie at the root of most methods of machine learning and data analysis of tabular data. Learn the basics of Matrix Methods, including matrix-matrix multiplication, solving linear equations, orthogonality, and best least squares approximation. Discover the Singular Value Decomposition that plays a fundamental role in dimensionality reduction, Principal Component Analysis, and noise reduction.

Sep 14th 2026
5-12 Weeks
Álgebra Básica (Coursera) Coursera
Universidad Nacional Autónoma de México

Álgebra Básica (Coursera)

Galileo dijo: "El Universo está escrito en lenguaje matemático y los caracteres son triángulos, círculos y otras figuras geométricas, sin las que es humanamente imposible entender una sola palabra". Para entender el Universo, es necesario plantear leyes que expliquen su comportamiento, como pueden ser las leyes de la gravedad, la propagación del calor, el electromagnetismo, la reproducción celular, el crecimiento poblacional, la propagación de las enfermedades, la variación de los precios de las acciones en la bolsa de valores, el comportamiento de las masas ante un conflicto, etcétera.

Sep 21st 2026
5-12 Weeks
Analysis of Algorithms (Coursera) Coursera
Princeton University

Analysis of Algorithms (Coursera)

This course teaches a calculus that enables precise quantitative predictions of large combinatorial structures. In addition, this course covers generating functions and real asymptotics and then introduces the symbolic method in the context of applications in the analysis of algorithms and basic structures such as permutations, trees, strings, words, and mappings.

Sep 28th 2026
5-12 Weeks