Uniwersytet Mikołaja Kopernika w Toruniu - Centralny punkt logowania
Strona główna

Obliczenia naukowe

Informacje ogólne

Kod przedmiotu: 1000-MS1-ObliNau
Kod Erasmus / ISCED: (brak danych) / (0541) Matematyka Kod ISCED - Międzynarodowa Standardowa Klasyfikacja Kształcenia (International Standard Classification of Education) została opracowana przez UNESCO.
Nazwa przedmiotu: Obliczenia naukowe
Jednostka: Wydział Matematyki i Informatyki
Grupy: Analiza danych-przedmiot do wyboru
Matematyka stosowana, 2 rok, studia I stopnia
Punkty ECTS i inne: 6.00 Podstawowe informacje o zasadach przyporządkowania punktów ECTS:
  • roczny wymiar godzinowy nakładu pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się dla danego etapu studiów wynosi 1500-1800 h, co odpowiada 60 ECTS;
  • tygodniowy wymiar godzinowy nakładu pracy studenta wynosi 45 h;
  • 1 punkt ECTS odpowiada 25-30 godzinom pracy studenta potrzebnej do osiągnięcia zakładanych efektów uczenia się;
  • tygodniowy nakład pracy studenta konieczny do osiągnięcia zakładanych efektów uczenia się pozwala uzyskać 1,5 ECTS;
  • nakład pracy potrzebny do zaliczenia przedmiotu, któremu przypisano 3 ECTS, stanowi 10% semestralnego obciążenia studenta.
Język prowadzenia: polski
Wymagania wstępne:

Znajomość podstawowych algorytmów, struktur danych, pojęć analizy matematycznej, rachunku różniczkowego i całkowego, rachunku prawdopodobieństwa i statystyki matematycznej. Podstawowa umiejętność pisania w języku R. Znajomość dowolnego współczesnego strukturalnego języka programowania. Podstawowa znajomość technik programowania obiektowego.

Całkowity nakład pracy studenta:

30 godz. - wykład

30 godz. - laboratoria

60 godz. - praca własna: przygotowanie zadań domowych

30 godz. - praca własna: przygotowanie do egzaminu

4 godz. - egzamin


RAZEM: 154 godzin.


6 pkt. ECTS

Efekty uczenia się - wiedza:

ON_W1. Ma uporządkowaną wiedzę na temat dostępności, sposobów stosowania i zagrożeń płynących z wykorzystywania zewnętrznych bibliotek programistycznych. (K_W07).

ON_W2. Zna przynajmniej dwie rozbudowane biblioteki programistyczne służące do rozwiązywania skomplikowanych problemów matematycznych. (K_W07).

ON_W3. Zna przynajmniej jedną bibliotekę programistyczną służącą do wizualizacji danych liczbowych i zależności między nimi. (K_W07).

Efekty uczenia się - umiejętności:

ON_U1. Potrafi wyszukiwać, instalować i używać zaawansowanych bibliotek programistycznych. (K_U13)

ON_U2. Potrafi stosować biblioteki programistyczne w procesie tworzenia algorytmów rozwiązujących skomplikowane problemy matematyczne. (K_U20, K_U22)

ON_U3. Potrafi wykorzystywać biblioteki zewnętrzne do wykonywania i wizualizacji zaawansowanych obliczeń matematycznych. (K_U21)

ON_U4. Potrafi przeformułować problem matematyczny w taki sposób, aby jego rozwiązanie wykorzystywało metody dostępne w stosowanych bibliotekach programistycznych. (K_U23)

ON_U5. Rozpoznaje problemy, w tym zagadnienia praktyczne, które można rozwiązać algorytmicznie; potrafi dokonać specyfikacji takiego problemu. (K_U24, K_U25)

Efekty uczenia się - kompetencje społeczne:

ON_K1. Potrafi precyzyjnie formułować pytania służące pogłębieniu własnego zrozumienia danego tematu lub odnalezieniu brakujących elementów rozumienia. (K_K03)

ON_K2. Potrafi samodzielnie wyszukiwać informacje w literaturze, także w językach obcych. (K_K04)

ON_K3. Potrafi myśleć analitycznie, sformułować wymagania funkcjonalne programu, dobrać algorytm potrafiący rozwiązać dany problem oraz potrafi ocenić jego przydatność. (K_K03)

ON_K4. Myśli twórczo i umie wybrać algorytm najbardziej przydatny dla danego problemu oraz potrafi zmodyfikować algorytm w celu optymalizacji jego działania. (K_K02)

ON_K5. Pracuje systematycznie i posiada umiejętność pozytywnego podejścia do trudności stojących na drodze do realizacji założonego celu; dotrzymuje terminów. (K_K04)

Metody dydaktyczne:

- Metody dydaktyczne: Wykład i laboratorium.

- Metody dydaktyczne eksponujące: pokaz.

- Metody dydaktyczne podające: wykład informacyjny (konwencjonalny).

- Metody dydaktyczne poszukujące: klasyczna metoda problemowa, laboratoryjna.

Metody dydaktyczne podające:

- wykład informacyjny (konwencjonalny)
- wykład problemowy

Skrócony opis:

Celem zajęć jest zapoznanie słuchaczy z podstawowymi bibliotekami oraz narzędziami służącymi do przeprowadzania analiz naukowych. W ramach zajęć przedstawione zostanie podstawowe oprogramowanie pomocne w obliczeniach symbolicznych oraz numerycznych. Poruszony zostanie temat wizualizacji danych oraz przetwarzania obrazów. Nauczymy się korzystać z różnych formatów danych. Wykorzystanie omawianych bibliotek zostanie zilustrowane przykładami programów napisanych w języku programowania wysokiego poziomu.

Pełny opis:

Wiele wolnodostępnych języków wysokiego poziomu jest wykorzystywanych do obliczeń w problemach naukowych. W tym praktycznym kursie poznamy różne biblioteki obliczeń numerycznych oraz symbolicznych. Poznamy różne problemy matematyczne oraz ich rozwiązanie poprzez wykorzystanie narzędzi programistycznych. Szczególny nacisk będzie położony na praktyczne wykorzystanie zdobytych umiejętności oraz skupienie się na łatwych i efektywnych sposobach rozwiązywania skomplikowanych zadań obliczeniowych. Poznamy różne techniki oraz metody profesjonalnej wizualizacji danych naukowych. Dowiemy się jak radzić sobie z różnymi typami oraz strukturami danych. Ponadto skupimy się na temacie narzędzi zapewniających szybkie przetwarzanie oraz analizę danych. Omówione zostanie wykorzystanie dodatkowych bibliotek programistycznych w celu poprawy efektywności obliczeń.

Program ramowy kursu:

1. Wprowadzenie do obliczeń naukowych. Prezentacja dostępnych programów oraz środowisk programistycznych.

2. Przegląd bibliotek obliczeń symbolicznych.

3. Przegląd narzędzi statystycznych oraz praca z prostymi formatami danych.

4. Wprowadzenie do narzędzi obliczeń numerycznych.

5. Pakiety rozwiązujące problemy optymalizacyjne.

6. Biblioteki wizualizacji danych.

7. Narzędzia wstępnej obróbki i przetwarzania danych. Praca z różnymi formatami danych (XLS, CSV).

8. Wprowadzenie do tematu eksploracji danych na przykładzie regresji przy wykorzystaniu narzędzi programistycznych.

9. Prezentacja dostępnych programów eksploracji oraz analizy danych.

10. Narzędzia przetwarzania obrazów.

11. Biblioteki pomocne przy pracy z grafami.

Literatura:

[1] Fast Lane to Python, Norman Matloff

[2] Thinking in Python, Bruce Eckel, http://www.mindview.net/Books/TIPython

[3] Python scripting for computational science, Langtangen, Hans Petter, Berlin; Heidelberg: Springer, cop. 2009.

[4] Matplotlib for Python Developers, Sandro Tosi, Packt Publishing, 2009.

[5] Python for Data Analysis, Wes McKinney, O'Reilly Media, Inc., 2012.

Metody i kryteria oceniania:

Ocena części laboratoryjnej będzie wystawiona na podstawie projektów zaliczeniowych wykonywanych częściowo w trakcie laboratoriów i częściowo samodzielnie, sprawdzających efekty ON_W2, ON_U1-ON_U5 oraz ON_K2. Laboratoria kończą się zaliczeniem na ocenę. Podstawowym kryterium otrzymania zaliczenia są:

- oddanie projektu programistycznego,

- systematyczne rozwiązywanie zadań programistycznych przedstawionych na zajęciach.

Zaliczenie wykładu na podstawie oceny z ćwiczeń oraz egzaminu ustnego, który będzie sprawdzał wiedzę teoretyczną oraz efekty ON_W1, ON_W2, ON_W3, ON_K1.

Zajęcia w cyklu "Semestr letni 2021/22" (zakończony)

Okres: 2022-02-21 - 2022-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin, 16 miejsc więcej informacji
Wykład, 30 godzin, 60 miejsc więcej informacji
Koordynatorzy: Krzysztof Rykaczewski
Prowadzący grup: Krzysztof Rykaczewski, Daniel Strzelecki
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Zaliczenie na ocenę
Wykład - Egzamin
Skrócony opis:

Celem zajęć jest zapoznanie słuchaczy z podstawowymi bibliotekami oraz narzędziami służącymi do przeprowadzania analiz naukowych. W ramach zajęć przedstawione zostanie podstawowe oprogramowanie pomocne w obliczeniach symbolicznych oraz numerycznych. Poruszony zostanie temat wizualizacji danych oraz przetwarzania obrazów. Nauczymy się korzystać z różnych formatów danych. Wykorzystanie omawianych bibliotek zostanie zilustrowane przykładami programów napisanych w języku programowania wysokiego poziomu.

Pełny opis:

Wiele wolnodostępnych języków wysokiego poziomu jest wykorzystywanych do obliczeń w problemach naukowych. W tym praktycznym kursie poznamy różne biblioteki obliczeń numerycznych oraz symbolicznych. Poznamy różne problemy matematyczne oraz ich rozwiązanie poprzez wykorzystanie narzędzi programistycznych. Szczególny nacisk będzie położony na praktyczne wykorzystanie zdobytych umiejętności oraz skupienie się na łatwych i efektywnych sposobach rozwiązywania skomplikowanych zadań obliczeniowych. Poznamy różne techniki oraz metody profesjonalnej wizualizacji danych naukowych. Dowiemy się jak radzić sobie z różnymi typami oraz strukturami danych. Ponadto skupimy się na temacie narzędzi zapewniających szybkie przetwarzanie oraz analizę danych. Omówione zostanie wykorzystanie dodatkowych bibliotek programistycznych w celu poprawy efektywności obliczeń.

Program ramowy kursu:

1. Wprowadzenie do obliczeń naukowych. Prezentacja dostępnych programów oraz środowisk programistycznych.

2. Przegląd bibliotek obliczeń symbolicznych.

3. Przegląd narzędzi statystycznych oraz praca z prostymi formatami danych.

4. Wprowadzenie do narzędzi obliczeń numerycznych.

5. Pakiety rozwiązujące problemy optymalizacyjne.

6. Biblioteki wizualizacji danych.

7. Narzędzia wstępnej obróbki i przetwarzania danych. Praca z różnymi formatami danych (XLS, CSV).

8. Wprowadzenie do tematu eksploracji danych na przykładzie regresji przy wykorzystaniu narzędzi programistycznych.

9. Prezentacja dostępnych programów eksploracji oraz analizy danych.

10. Narzędzia przetwarzania obrazów.

11. Wykorzystanie bibliotek z pakietu R.

12. Biblioteki pomocne przy pracy z grafami.

Literatura:

[1] Fast Lane to Python, Norman Matloff

[2] Thinking in Python, Bruce Eckel, http://www.mindview.net/Books/TIPython

[3] Python scripting for computational science, Langtangen, Hans Petter, Berlin; Heidelberg: Springer, cop. 2009.

[4] Matplotlib for Python Developers, Sandro Tosi, Packt Publishing, 2009.

[5] Python for Data Analysis, Wes McKinney, O'Reilly Media, Inc., 2012.

Zajęcia w cyklu "Semestr letni 2022/23" (zakończony)

Okres: 2023-02-20 - 2023-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin, 16 miejsc więcej informacji
Wykład, 30 godzin, 60 miejsc więcej informacji
Koordynatorzy: Krzysztof Rykaczewski
Prowadzący grup: Krzysztof Rykaczewski, Daniel Strzelecki
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Zaliczenie na ocenę
Wykład - Egzamin
Skrócony opis:

Celem zajęć jest zapoznanie słuchaczy z podstawowymi bibliotekami oraz narzędziami służącymi do przeprowadzania analiz naukowych. W ramach zajęć przedstawione zostanie podstawowe oprogramowanie pomocne w obliczeniach symbolicznych oraz numerycznych. Poruszony zostanie temat wizualizacji danych oraz przetwarzania obrazów. Nauczymy się korzystać z różnych formatów danych. Wykorzystanie omawianych bibliotek zostanie zilustrowane przykładami programów napisanych w języku programowania wysokiego poziomu.

Pełny opis:

Wiele wolnodostępnych języków wysokiego poziomu jest wykorzystywanych do obliczeń w problemach naukowych. W tym praktycznym kursie poznamy różne biblioteki obliczeń numerycznych oraz symbolicznych. Poznamy różne problemy matematyczne oraz ich rozwiązanie poprzez wykorzystanie narzędzi programistycznych. Szczególny nacisk będzie położony na praktyczne wykorzystanie zdobytych umiejętności oraz skupienie się na łatwych i efektywnych sposobach rozwiązywania skomplikowanych zadań obliczeniowych. Poznamy różne techniki oraz metody profesjonalnej wizualizacji danych naukowych. Dowiemy się jak radzić sobie z różnymi typami oraz strukturami danych. Ponadto skupimy się na temacie narzędzi zapewniających szybkie przetwarzanie oraz analizę danych. Omówione zostanie wykorzystanie dodatkowych bibliotek programistycznych w celu poprawy efektywności obliczeń.

Program ramowy kursu:

1. Wprowadzenie do obliczeń naukowych. Prezentacja dostępnych programów oraz środowisk programistycznych.

2. Przegląd bibliotek obliczeń symbolicznych.

3. Przegląd narzędzi statystycznych oraz praca z prostymi formatami danych.

4. Wprowadzenie do narzędzi obliczeń numerycznych.

5. Pakiety rozwiązujące problemy optymalizacyjne.

6. Biblioteki wizualizacji danych.

7. Narzędzia wstępnej obróbki i przetwarzania danych. Praca z różnymi formatami danych (XLS, CSV).

8. Wprowadzenie do tematu eksploracji danych na przykładzie regresji przy wykorzystaniu narzędzi programistycznych.

9. Prezentacja dostępnych programów eksploracji oraz analizy danych.

10. Narzędzia przetwarzania obrazów.

11. Wykorzystanie bibliotek z pakietu R.

12. Biblioteki pomocne przy pracy z grafami.

Literatura:

[1] Fast Lane to Python, Norman Matloff

[2] Thinking in Python, Bruce Eckel, http://www.mindview.net/Books/TIPython

[3] Python scripting for computational science, Langtangen, Hans Petter, Berlin; Heidelberg: Springer, cop. 2009.

[4] Matplotlib for Python Developers, Sandro Tosi, Packt Publishing, 2009.

[5] Python for Data Analysis, Wes McKinney, O'Reilly Media, Inc., 2012.

Zajęcia w cyklu "Semestr letni 2023/24" (zakończony)

Okres: 2024-02-20 - 2024-09-30
Wybrany podział planu:
Przejdź do planu
Typ zajęć:
Laboratorium, 30 godzin, 16 miejsc więcej informacji
Wykład, 30 godzin, 60 miejsc więcej informacji
Koordynatorzy: Krzysztof Rykaczewski
Prowadzący grup: Krzysztof Leśniak, Krzysztof Rykaczewski
Lista studentów: (nie masz dostępu)
Zaliczenie: Przedmiot - Egzamin
Laboratorium - Zaliczenie na ocenę
Wykład - Egzamin
Skrócony opis:

Celem zajęć jest zapoznanie słuchaczy z podstawowymi bibliotekami oraz narzędziami służącymi do przeprowadzania analiz naukowych. W ramach zajęć przedstawione zostanie podstawowe oprogramowanie pomocne w obliczeniach symbolicznych oraz numerycznych. Poruszony zostanie temat wizualizacji danych oraz przetwarzania obrazów. Nauczymy się korzystać z różnych formatów danych. Wykorzystanie omawianych bibliotek zostanie zilustrowane przykładami programów napisanych w języku programowania wysokiego poziomu.

Pełny opis:

Wiele wolnodostępnych języków wysokiego poziomu jest wykorzystywanych do obliczeń w problemach naukowych. W tym praktycznym kursie poznamy różne biblioteki obliczeń numerycznych oraz symbolicznych. Poznamy różne problemy matematyczne oraz ich rozwiązanie poprzez wykorzystanie narzędzi programistycznych. Szczególny nacisk będzie położony na praktyczne wykorzystanie zdobytych umiejętności oraz skupienie się na łatwych i efektywnych sposobach rozwiązywania skomplikowanych zadań obliczeniowych. Poznamy różne techniki oraz metody profesjonalnej wizualizacji danych naukowych. Dowiemy się jak radzić sobie z różnymi typami oraz strukturami danych. Ponadto skupimy się na temacie narzędzi zapewniających szybkie przetwarzanie oraz analizę danych. Omówione zostanie wykorzystanie dodatkowych bibliotek programistycznych w celu poprawy efektywności obliczeń.

Program ramowy kursu:

1. Wprowadzenie do obliczeń naukowych. Prezentacja dostępnych programów oraz środowisk programistycznych.

2. Przegląd bibliotek obliczeń symbolicznych.

3. Przegląd narzędzi statystycznych oraz praca z prostymi formatami danych.

4. Wprowadzenie do narzędzi obliczeń numerycznych.

5. Pakiety rozwiązujące problemy optymalizacyjne.

6. Biblioteki wizualizacji danych.

7. Narzędzia wstępnej obróbki i przetwarzania danych. Praca z różnymi formatami danych (XLS, CSV).

8. Wprowadzenie do tematu eksploracji danych na przykładzie regresji przy wykorzystaniu narzędzi programistycznych.

9. Prezentacja dostępnych programów eksploracji oraz analizy danych.

10. Narzędzia przetwarzania obrazów.

11. Wykorzystanie bibliotek z pakietu R.

12. Biblioteki pomocne przy pracy z grafami.

Literatura:

[1] Fast Lane to Python, Norman Matloff

[2] Thinking in Python, Bruce Eckel, http://www.mindview.net/Books/TIPython

[3] Python scripting for computational science, Langtangen, Hans Petter, Berlin; Heidelberg: Springer, cop. 2009.

[4] Matplotlib for Python Developers, Sandro Tosi, Packt Publishing, 2009.

[5] Python for Data Analysis, Wes McKinney, O'Reilly Media, Inc., 2012.

Opisy przedmiotów w USOS i USOSweb są chronione prawem autorskim.
Właścicielem praw autorskich jest Uniwersytet Mikołaja Kopernika w Toruniu.
ul. Jurija Gagarina 11, 87-100 Toruń tel: +48 56 611-40-10 https://usosweb.umk.pl/ kontakt deklaracja dostępności mapa serwisu USOSweb 7.1.0.0-4 (2024-09-03)