ورود به حساب

نام کاربری گذرواژه

گذرواژه را فراموش کردید؟ کلیک کنید

حساب کاربری ندارید؟ ساخت حساب

ساخت حساب کاربری

نام نام کاربری ایمیل شماره موبایل گذرواژه

برای ارتباط با ما می توانید از طریق شماره موبایل زیر از طریق تماس و پیامک با ما در ارتباط باشید


09117307688
09117179751

در صورت عدم پاسخ گویی از طریق پیامک با پشتیبان در ارتباط باشید

دسترسی نامحدود

برای کاربرانی که ثبت نام کرده اند

ضمانت بازگشت وجه

درصورت عدم همخوانی توضیحات با کتاب

پشتیبانی

از ساعت 7 صبح تا 10 شب

دانلود کتاب Practical Numerical and Scientific Computing with MATLAB® and Python

دانلود کتاب محاسبات عددی و علمی کاربردی با MATLAB® و Python

Practical Numerical and Scientific Computing with MATLAB® and Python

مشخصات کتاب

Practical Numerical and Scientific Computing with MATLAB® and Python

ویرایش: 1 
نویسندگان:   
سری:  
ISBN (شابک) : 9780367076696, 9780429666827 
ناشر: CRC Press 
سال نشر: 2020 
تعداد صفحات: 349 
زبان:  
فرمت فایل : PDF (درصورت درخواست کاربر به PDF، EPUB یا AZW3 تبدیل می شود) 
حجم فایل: 3 مگابایت 

قیمت کتاب (تومان) : 50,000



ثبت امتیاز به این کتاب

میانگین امتیاز به این کتاب :
       تعداد امتیاز دهندگان : 16


در صورت تبدیل فایل کتاب Practical Numerical and Scientific Computing with MATLAB® and Python به فرمت های PDF، EPUB، AZW3، MOBI و یا DJVU می توانید به پشتیبان اطلاع دهید تا فایل مورد نظر را تبدیل نمایند.

توجه داشته باشید کتاب محاسبات عددی و علمی کاربردی با MATLAB® و Python نسخه زبان اصلی می باشد و کتاب ترجمه شده به فارسی نمی باشد. وبسایت اینترنشنال لایبرری ارائه دهنده کتاب های زبان اصلی می باشد و هیچ گونه کتاب ترجمه شده یا نوشته شده به فارسی را ارائه نمی دهد.


توضیحاتی در مورد کتاب محاسبات عددی و علمی کاربردی با MATLAB® و Python

این کتاب تجزیه و تحلیل عددی را با تمرکز بر اجرای روش‌ها و الگوریتم‌ها برای حل انواع مسائل ریاضی در کاربردهای مختلف معرفی می‌کند. برنامه نویسی در متلب و پایتون را برای انواع وظایف تحلیل عددی اعمال می کند.


توضیحاتی درمورد کتاب به خارجی

The book introduces numerical analysis, with a focus on the implementation of methods and algorithms to solve a variety of mathematical problems in use within a variety of applications. It applies programming in MATLAB and Python to a variety of numerical analysis tasks.



فهرست مطالب

Cover
Half Title
Title Page
Copyright Page
Dedication
Contents
Preface
Author
Part I: Solving Linear and Nonlinear Systems of Equations
	1. Solving Linear Systems Using Direct Methods
		1.1 Testing the Existence of the Solution
		1.2 Methods for Solving Linear Systems
			1.2.1 Special Linear Systems
			1.2.2 Gauss and Gauss-Jordan Elimination
			1.2.3 Solving the System with the rref Function
		1.3 Matrix Factorization Techniques
			1.3.1 The LU Factorization
			1.3.2 The QR Factorization
			1.3.3 The Singular Value Decomposition (SVD)
	2. Solving Linear Systems with Iterative and Least Squares Methods
		2.1 Mathematical Backgrounds
			2.1.1 Convergent Sequences and Cauchi’s Convergence
			2.1.2 Vector Norm
			2.1.3 Convergent Sequences of Vectors
		2.2 The Iterative Methods
			2.2.1 The General Idea
			2.2.2 The Jacobi Method
			2.2.3 The Jacobi Method in the Matrix Form
				2.2.3.1 The Gauss-Seidel Iterative Method
			2.2.4 The Gauss-Seidel Method in the Vector Form
			2.2.5 The Relaxation Methods
		2.3 The Least Squares Solutions
			2.3.1 Some Applications of Least Squares Solutions
	3. Ill-Conditioning and Regularization Techniques in Solutions of Linear Systems
		3.1 Ill-Conditioning in Solutions of Linear Systems
			3.1.1 More Examples of Ill-Posed System
			3.1.2 Condition Numbers and Ill-Conditioned Matrices
			3.1.3 Linking the Condition Numbers to Matrix Related Eigenvalues
			3.1.4 Further Analysis on Ill-Posed Systems
		3.2 Regularization of Solutions in Linear Systems
			3.2.1 The Truncated SVD (TSVD) Method
			3.2.2 Tikhonov Regularizaton Method
			3.2.3 The L-curve Method
			3.2.4 The Discrepancy Principle
	4. Solving a System of Nonlinear Equations
		4.1 Solving a Single Nonlinear Equation
			4.1.1 The Bisection Method
			4.1.2 The Newton-Raphson Method
			4.1.3 The Secant Method
			4.1.4 The Iterative Method Towards a Fixed Point
			4.1.5 Using the MATLAB and Python solve Function
		4.2 Solving a System of Nonlinear Equations
Part II: Data Interpolation and Solutions of Differential Equations
	5. Data Interpolation
		5.1 Lagrange Interpolation
			5.1.1 Construction of Lagrange Interpolating Polynomial
			5.1.2 Uniqueness of Lagrange Interplation Polynomial
			5.1.3 Lagrange Interpolation Error
		5.2 Newton’s Interpolation
			5.2.1 Description of the Method
			5.2.2 Newton’s Divided Differences
		5.3 MATLAB’s Interpolation Tools
			5.3.1 Interpolation with the interp1 Function
			5.3.2 Interpolation with the Spline Function
			5.3.3 Interpolation with the Function pchip
			5.3.4 Calling the Functions spline and pchip from interp1
		5.4 Data Interpolation in Python
			5.4.1 The Function interp1d
			5.4.2 The Functions pchip interpolate and CubicSpline
			5.4.3 The Function lagrange
	6. Numerical Differentiation and Integration
		6.1 Numerical Differentiation
			6.1.1 Approximating Derivatives with Finite Differences
		6.2 Numerical Integration
			6.2.1 Newton-Cotes Methods
			6.2.2 The Gauss Integration Method
	7. Solving Systems of Nonlinear Ordinary Differential Equations
		7.1 Runge-Kutta Methods
		7.2 Explicit Runge-Kutta Methods
			7.2.1 Euler’s Method
			7.2.2 Heun’s Method
			7.2.3 The Fourth-Order Runge-Kutta Method
		7.3 Implicit Runge-Kutta Methods
			7.3.1 The Backward Euler Method
			7.3.2 Collocation Runge-Kutta Methods
				7.3.2.1 Legendre-Gauss Methods
				7.3.2.2 Lobatto Methods
		7.4 MATLAB ODE Solvers
			7.4.1 MATLAB ODE Solvers
			7.4.2 Solving a Single IVP
			7.4.3 Solving a System of IVPs
			7.4.4 Solving Stiff Systems of IVPs
		7.5 Python Solvers for IVPs
			7.5.1 Solving ODEs with odeint
			7.5.2 Solving ODEs with Gekko
	8. Nonstandard Finite Difference Methods for Solving ODEs
		8.1 Deficiencies with Standard Finite Difference Schemes
		8.2 Construction Rules of Nonstandard Finite Difference Schemes
		8.3 Exact Finite Difference Schemes
			8.3.1 Exact Finite Difference Schemes for Homogeneous Linear ODEs
				8.3.1.1 Exact Finite Difference Schemes for a Linear Homogeneous First-Order ODE
				8.3.1.2 Exact Finite Difference Scheme for Linear Homogeneous Second Order ODE
				8.3.1.3 Exact Finite Difference Scheme for a System of Two Linear ODEs
			8.3.2 Exact Difference Schemes for Nonlinear Equations
			8.3.3 Exact Finite Difference Schemes for Differential Equations with Linear and Power Terms
		8.4 Other Nonstandard Finite Difference Schemes
Part III: Solving Linear, Nonlinear and Dynamic Optimization Problems
	9. Solving Optimization Problems: Linear and Quadratic Programming
		9.1 Form of a Linear Programming Problem
		9.2 Solving Linear Programming Problems with linprog
		9.3 Solving Linear Programming Problems with fmincon MATLAB’s Functions
		9.4 Solving Linear Programming Problems with pulp Python
		9.5 Solving Linear Programming Problems with pyomo
		9.6 Solving Linear Programming Problems with gekko
		9.7 Solving Quadratic Programming Problems
	10. Solving Optimization Problems: Nonlinear Programming
		10.1 Solving Unconstrained Problems
			10.1.1 Line Search Algorithm
			10.1.2 The Steepest Descent Method
			10.1.3 Newton’s Method
			10.1.4 Quasi Newton’s Methods
				10.1.4.1 The Broyden-Fletcher-Goldfarb-Shanno (BFGS) Method
				10.1.4.2 The Davidon-Fletcher-Powell (DFP) Algorithm
			10.1.5 Solving Unconstrained Optimization Problems with MATLAB
			10.1.6 Solving an Unconstrained Problem with Python
			10.1.7 Solving Unconstrained Optimization Problems with Gekko
		10.2 Solving Constrained Optimization Problems
			10.2.1 Solving Constrained Optimization Problems with MATLAB fmincon Function
			10.2.2 Solving Constrained Minimization Problems in Python
			10.2.3 Solving Constrained Optimization with Gekko Python
	11. Solving Optimal Control Problems
		11.1 Introduction
		11.2 The First-Order Optimality Conditions and Existence of Optimal Control
		11.3 Necessary Conditions of the Discretized System
		11.4 Numerical Solution of Optimal Control
		11.5 Solving Optimal Control Problems Using Indirect Methods
			11.5.1 Numerical Solution Using Indirect Transcription Method
		11.6 Solving Optimal Control Problems Using Direct Methods
			11.6.1 Statement of the Problem
			11.6.2 The Control Parameterization Technique
				11.6.2.1 Examples
			11.6.3 The Gekko Python Solver
Bibliography
Index




نظرات کاربران