Annalisa DE CARO | FISICA COMPUTAZIONALE AVANZATA

cod. 0522600059

FISICA COMPUTAZIONALE AVANZATA

	0522600059
	DIPARTIMENTO DI FISICA "E.R. CAIANIELLO"
	CORSO DI LAUREA MAGISTRALE
	FISICA
	2023/2024

PERCORSO COMUNE

	ANNO CORSO 1
	ANNO ORDINAMENTO 2021
	SECONDO SEMESTRE

MODULI

SSD	CFU	ORE	ATTIVITÀ	TIPO DI ATTIVITÁ FORMATIVA
FIS/03	4	32	LEZIONE	AFFINE/INTEGRATIVA
FIS/03	2	24	LABORATORIO	AFFINE/INTEGRATIVA

DOCENTI

	ADOLFO AVELLA T Curriculum
	FEDERICO CORBERI Curriculum
	ANNALISA DE CARO Curriculum

	Obiettivi
	L'INSEGNAMENTO HA L'OBIETTIVO DI CONSOLIDARE LA FORMAZIONE DEGLI STUDENTI NELL'UTILIZZO DEGLI STRUMENTI COMPUTAZIONALI SIA DI BASE CHE AVANZATI NECESSARI PER STUDIARE SISTEMI FISICI, MA ANCHE STATISTICI E BIOLOGICI, DAI PIÙ SEMPLICI AI PIÙ COMPLESSI. CONOSCENZA E CAPACITÀ DI COMPRENSIONE L’INSEGNAMENTO INTENDE FORNIRE ALLO STUDENTE CONOSCENZE AVANZATE RIGUARDANTI I METODI NUMERICI FONDAMENTALI PER LA RISOLUZIONE DI DIVERSE TIPOLOGIE DI PROBLEMI IN FISICA E LA CAPACITÀ DI COMPRENDERE/APPRENDERE AUTONOMAMENTE ULTERIORI NOZIONI AVANZATE. IN PARTICOLARE, È PREVISTO LO STUDIO DI ALGORITMI PER L’INDIVIDUAZIONE DI NUMERI PRIMI, PER L’INTEGRAZIONE DI FUNZIONI, PER LO STUDIO DI SISTEMI STATISTICI CON EVOLUZIONE CASUALE E HAMILTONIANA, PER L’ANALISI DI DATI NUMERICI, PER LA DIAGONALIZZAZIONE DI MATRICI, PER LA DEFINIZIONE E LA RISOLUZIONE DI HAMILTONIANE, PER LA GENERAZIONE DI NUMERI "PSEUDO-CASUALI", PER L'IMPLEMENTAZIONE DEL METODO MONTE CARLO, PER LO SVILUPPO AUTONOMO E/O TRAMITE PACCHETTI PRE-COMPILATI DI SISTEMI DI INTELLIGENZA ARTIFICIALE E APPRENDIMENTO SUPERVISIONATO ANCHE TRAMITE L’UTILIZZO DI RETI NEURALI DEEP PER LA SIMULAZIONE DI SISTEMI REALI E COMPLESSI. IL CORSO PREVEDE L’IMPIEGO DEL PYTHON E DEL C++ QUALI LINGUAGGI DI PROGRAMMAZIONE EVOLUTI E L’APPRENDIMENTO SIA DELLA SINTASSI DEI LINGUAGGI CHE DEI DIVERSI PARADIGMI DI PROGRAMMAZIONE (PROCEDURALE, MODULARE, FUNZIONALE, ORIENTATA AGLI OGGETTI) CHE ESSI SUPPORTANO, IN MANIERA CHE LO STUDENTE POSSA COMPRENDERE/APPRENDERE AUTONOMAMENTE ALTRI LINGUAGGI EVOLUTI. CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE L’INSEGNAMENTO INTENDE CONSOLIDARE LA CAPACITÀ DELLO STUDENTE DI RISOLVERE, A UN LIVELLO PROFESSIONALE, PROBLEMI IN FISICA, MA ANCHE IN ALTRE BRANCHE DELLA SCIENZA, TRAMITE L’UTILIZZO DI METODI NUMERICI E ALGORITMI E DELLA LORO CODIFICA IN TERMINI DI PROGRAMMI PER COMPUTER. IN PARTICOLARE, LO STUDENTE DOVRÀ MATURARE LA CAPACITÀ DI TRATTARE FUNZIONI E DATI NUMERICI TRAMITE INTEGRAZIONE, INTERPOLAZIONE SPLINE E MINIMI QUADRATI, DI STUDIARE LA DINAMICA DI SISTEMI QUANTISTICI INTERAGENTI TRAMITE IL METODO LANCZOS, DI UTILIZZARE IL METODO MONTE CARLO PER CALCOLARE INTEGRALI IN SPAZI MULTI-DIMENSIONALI, SIMULARE SISTEMI COMPLESSI E APPARATI SPERIMENTALI, PROPAGARE GLI ERRORI DI MISURE SPERIMENTALI ANCHE MOLTO COMPLESSE E SVILUPPARE E GESTIRE SISTEMI DI INTELLIGENZA ARTIFICIALE PER IL CONTROLLO E LA PREDIZIONE DEL COMPORTAMENTO DI SISTEMI DI INTERESSE FISICO, BIOLOGICO, SOCIALE E IN MOLTI ALTRI CAMPI . DOVRÀ, INOLTRE, ACQUISIRE UNA CONOSCENZA AVANZATA DEI LINGUAGGI PYTHON E C++ PER LA CONCRETA APPLICAZIONE DELLE NOZIONI ACQUISITE.

L'INSEGNAMENTO HA L'OBIETTIVO DI CONSOLIDARE LA FORMAZIONE DEGLI STUDENTI NELL'UTILIZZO DEGLI STRUMENTI COMPUTAZIONALI SIA DI BASE CHE AVANZATI NECESSARI PER STUDIARE SISTEMI FISICI, MA ANCHE STATISTICI E BIOLOGICI, DAI PIÙ SEMPLICI AI PIÙ COMPLESSI.

CONOSCENZA E CAPACITÀ DI COMPRENSIONE
L’INSEGNAMENTO INTENDE FORNIRE ALLO STUDENTE CONOSCENZE AVANZATE RIGUARDANTI I METODI NUMERICI FONDAMENTALI PER LA RISOLUZIONE DI DIVERSE TIPOLOGIE DI PROBLEMI IN FISICA E LA CAPACITÀ DI COMPRENDERE/APPRENDERE AUTONOMAMENTE ULTERIORI NOZIONI AVANZATE. IN PARTICOLARE, È PREVISTO LO STUDIO DI ALGORITMI PER L’INDIVIDUAZIONE DI NUMERI PRIMI, PER L’INTEGRAZIONE DI FUNZIONI, PER LO STUDIO DI SISTEMI STATISTICI CON EVOLUZIONE CASUALE E HAMILTONIANA, PER L’ANALISI DI DATI NUMERICI, PER LA DIAGONALIZZAZIONE DI MATRICI, PER LA DEFINIZIONE E LA RISOLUZIONE DI HAMILTONIANE, PER LA GENERAZIONE DI NUMERI "PSEUDO-CASUALI", PER L'IMPLEMENTAZIONE DEL METODO MONTE CARLO, PER LO SVILUPPO AUTONOMO E/O TRAMITE PACCHETTI PRE-COMPILATI DI SISTEMI DI INTELLIGENZA ARTIFICIALE E APPRENDIMENTO SUPERVISIONATO ANCHE TRAMITE L’UTILIZZO DI RETI NEURALI DEEP PER LA SIMULAZIONE DI SISTEMI REALI E COMPLESSI. IL CORSO PREVEDE L’IMPIEGO DEL PYTHON E DEL C++ QUALI LINGUAGGI DI PROGRAMMAZIONE EVOLUTI E L’APPRENDIMENTO SIA DELLA SINTASSI DEI LINGUAGGI CHE DEI DIVERSI PARADIGMI DI PROGRAMMAZIONE (PROCEDURALE, MODULARE, FUNZIONALE, ORIENTATA AGLI OGGETTI) CHE ESSI SUPPORTANO, IN MANIERA CHE LO STUDENTE POSSA COMPRENDERE/APPRENDERE AUTONOMAMENTE ALTRI LINGUAGGI EVOLUTI.

CAPACITÀ DI APPLICARE CONOSCENZA E COMPRENSIONE
L’INSEGNAMENTO INTENDE CONSOLIDARE LA CAPACITÀ DELLO STUDENTE DI RISOLVERE, A UN LIVELLO PROFESSIONALE, PROBLEMI IN FISICA, MA ANCHE IN ALTRE BRANCHE DELLA SCIENZA, TRAMITE L’UTILIZZO DI METODI NUMERICI E ALGORITMI E DELLA LORO CODIFICA IN TERMINI DI PROGRAMMI PER COMPUTER. IN PARTICOLARE, LO STUDENTE DOVRÀ MATURARE LA CAPACITÀ DI TRATTARE FUNZIONI E DATI NUMERICI TRAMITE INTEGRAZIONE, INTERPOLAZIONE SPLINE E MINIMI QUADRATI, DI STUDIARE LA DINAMICA DI SISTEMI QUANTISTICI INTERAGENTI TRAMITE IL METODO LANCZOS, DI UTILIZZARE IL METODO MONTE CARLO PER CALCOLARE INTEGRALI IN SPAZI MULTI-DIMENSIONALI, SIMULARE SISTEMI COMPLESSI E APPARATI SPERIMENTALI, PROPAGARE GLI ERRORI DI MISURE SPERIMENTALI ANCHE MOLTO COMPLESSE E SVILUPPARE E GESTIRE SISTEMI DI INTELLIGENZA ARTIFICIALE PER IL CONTROLLO E LA PREDIZIONE DEL COMPORTAMENTO DI SISTEMI DI INTERESSE FISICO, BIOLOGICO, SOCIALE E IN MOLTI ALTRI CAMPI . DOVRÀ, INOLTRE, ACQUISIRE UNA CONOSCENZA AVANZATA DEI LINGUAGGI PYTHON E C++ PER LA CONCRETA APPLICAZIONE DELLE NOZIONI ACQUISITE.

	Prerequisiti
	LA CONOSCENZA DEGLI ARGOMENTI DI BASE DELLA FISICA CLASSICA E MODERNA, DELLA MECCANICA STATISTICA CLASSICA E QUANTISTICA, E DELLA ANALISI E FISICA MATEMATICA.

	Contenuti
	1. METODI FONDAMENTALI AVANZATI: FATTORIZAZIONE, INTEGRAZIONE GAUSSIANA, SPLINE, MINIMI QUADRATI. APPLICAZIONE A PROBLEMI FISICI. (ORE 8). 2. PROBLEMI DI FISICA MATEMATICA E MECCANICA STATISTICA: RANDOM WALKER, ISING (ORE 4). 3. DIAGONALIZZAZIONE DI MATRICI: ALGORITMO LANCZOS PER SISTEMI QUANTISTICI INTERAGENTI E LA MATRICE DENSITÀ. APPLICAZIONE A PROBLEMI FISICI. (ORE 2). 4. MACHINE LEARNING: NOZIONI DI BASE. ESEMPI BASATI SU REGRESSIONE POLINOIMIALE E SVILUPPO DI CODICI RELATIVI. FUNZIONE COSTO. DECOMPOSIZIONE BIAS-VARIANZA. GRADIENT DESCENT E SUE GENERALIZZAZIONI PER LA RICERCA DEI MINIMI DI UNA FUNZIONE COSTO. CENNI DI INFERENZA BAYESIANA. REGRESSIONE LINEARE E SUA FORMULAZIONE BAYESIANA. REGOLARIZATORI. APPLICAZIONI: RICONOSCIMENTO DELLE COSTANTI DI ACCOPPIAMENTO DI UN MODELLO DI ISING, SVILUPPO DI CODICI RELATIVI. COMPITI DI CLASSIFICAZIONE. PERCEPTRON. REGRESSIONE LOGISTICA. CROSS-ENTROPY E REGRESSIONE SOFTMAX. APPLICAZIONI: RICONOSCIMENTO DELLA FASE DI UN MODELLO DI ISING. SVILUPPO DI CODICI RELATIVI. RETI NEURALI: ARCHITETTURA E TRAINING. FEEDFORWARD ED ALGORITMO DI BACKPROPAGATION. APPLICAZIONI: SVILUPPO DI CODICI RELATIVI AI PROBLEMI DELLA REGRESSIONE POLINOMIALE E DEL MODELLO DI ISING. ESEMPI DI UTILIZZO DI PACCHETTI (MATHLAB) UTILIZZANTI RETI CONVOLUTIVE (ORE 20). 5. METODO MONTE CARLO: CENNI STORICI. GENERATORI DI NUMERI PSEUDO-RANDOM. ESEMPI APPLICATIVI (ORE 3) 6. SIMULAZIONE DI MISURE DI OSSERVABILI FISICHE (INCERTEZZE SPERIMENTALI) E DI SEMPLICI APPARATI SPERIMENTALI. PROPAGAZIONE DEGLI ERRORI IN STIME DI PARAMETRI SEMPLICI (ES.: CALCOLO DI UNA VELOCITÀ DA MISURE DI SPAZIO E DI TEMPO, ETC.) (ORE 5). 7. SIMULAZIONE DI MISURE DI OSSERVABILI FISICHE (INCERTEZZE SPERIMENTALI). SIMULAZIONE DI APPARATI SPERIMENTALI COMPLESSI (EFFICIENZA, RUMORE ELETTRONICO, ETC.). SIMULAZIONE DELL’INTERAZIONE RADIAZIONE-MATERIA. STIME DI PARAMETRI COMPLESSI (ES.: SEPARAZIONE SEGNALE-FONDO IN GRAFICI DI MASSA INVARIANTE, ETC.) (ORE 7). 8. LINGUAGGIO C++ (ORE 5). 9. LINGUAGGIO PYTHON (ORE 6).

Contenuti

1. METODI FONDAMENTALI AVANZATI: FATTORIZAZIONE, INTEGRAZIONE GAUSSIANA, SPLINE, MINIMI QUADRATI. APPLICAZIONE A PROBLEMI FISICI. (ORE 8).
2. PROBLEMI DI FISICA MATEMATICA E MECCANICA STATISTICA: RANDOM WALKER, ISING (ORE 4).
3. DIAGONALIZZAZIONE DI MATRICI: ALGORITMO LANCZOS PER SISTEMI QUANTISTICI INTERAGENTI E LA MATRICE DENSITÀ. APPLICAZIONE A PROBLEMI FISICI. (ORE 2).
4. MACHINE LEARNING: NOZIONI DI BASE. ESEMPI BASATI SU REGRESSIONE POLINOIMIALE E SVILUPPO DI CODICI RELATIVI. FUNZIONE COSTO. DECOMPOSIZIONE BIAS-VARIANZA. GRADIENT DESCENT E SUE GENERALIZZAZIONI PER LA RICERCA DEI MINIMI DI UNA FUNZIONE COSTO. CENNI DI INFERENZA BAYESIANA. REGRESSIONE LINEARE E SUA FORMULAZIONE BAYESIANA. REGOLARIZATORI. APPLICAZIONI: RICONOSCIMENTO DELLE COSTANTI DI ACCOPPIAMENTO DI UN MODELLO DI ISING, SVILUPPO DI CODICI RELATIVI. COMPITI DI CLASSIFICAZIONE. PERCEPTRON. REGRESSIONE LOGISTICA. CROSS-ENTROPY E REGRESSIONE SOFTMAX. APPLICAZIONI: RICONOSCIMENTO DELLA FASE DI UN MODELLO DI ISING. SVILUPPO DI CODICI RELATIVI. RETI NEURALI: ARCHITETTURA E TRAINING. FEEDFORWARD ED ALGORITMO DI BACKPROPAGATION. APPLICAZIONI: SVILUPPO DI CODICI RELATIVI AI PROBLEMI DELLA REGRESSIONE POLINOMIALE E DEL MODELLO DI ISING. ESEMPI DI UTILIZZO DI PACCHETTI (MATHLAB) UTILIZZANTI RETI CONVOLUTIVE (ORE 20).
5. METODO MONTE CARLO: CENNI STORICI. GENERATORI DI NUMERI PSEUDO-RANDOM. ESEMPI APPLICATIVI (ORE 3)
6. SIMULAZIONE DI MISURE DI OSSERVABILI FISICHE (INCERTEZZE SPERIMENTALI) E DI SEMPLICI APPARATI SPERIMENTALI. PROPAGAZIONE DEGLI ERRORI IN STIME DI PARAMETRI SEMPLICI (ES.: CALCOLO DI UNA VELOCITÀ DA MISURE DI SPAZIO E DI TEMPO, ETC.) (ORE 5).
7. SIMULAZIONE DI MISURE DI OSSERVABILI FISICHE (INCERTEZZE SPERIMENTALI). SIMULAZIONE DI APPARATI SPERIMENTALI COMPLESSI (EFFICIENZA, RUMORE ELETTRONICO, ETC.). SIMULAZIONE DELL’INTERAZIONE RADIAZIONE-MATERIA. STIME DI PARAMETRI COMPLESSI (ES.: SEPARAZIONE SEGNALE-FONDO IN GRAFICI DI MASSA INVARIANTE, ETC.) (ORE 7).
8. LINGUAGGIO C++ (ORE 5).
9. LINGUAGGIO PYTHON (ORE 6).

	Metodi Didattici
	IL CORSO PREVEDE 24 ORE DI LEZIONI FRONTALI IN AULA FINALIZZATE ALL’APPRENDIMENTO DELLE CONOSCENZE AVANZATE RIGUARDANTI I METODI NUMERICI E LA PROGRAMMAZIONE E 36 ORE DI LEZIONI DI TIPO ESERCITATIVO IN LABORATORIO INCENTRATE SULL’ILLUSTRAZIONE PRATICA DEL PROCESSO DI MODELLIZZAZIONE DEL PROBLEMA FISICO IN ESAME, SELEZIONE/ELABORAZIONE DEI METODI NUMERICI ED ALGORITMI NECESSARI ALLA SUA SOLUZIONE NUMERICA, DESIGN DEL CODICE A SECONDA DEL PARADIGMA DI PROGRAMMAZIONE SCELTO, REDAZIONE CONCRETA DEL CODICE IN C++ E PYTHON (SINTASSI DEL LINGUAGGIO), SUA COMPILAZIONE, ESECUZIONE E RELATIVA RACCOLTA E RAPPRESENTAZIONE GRAFICA DEI RISULTATI.

Metodi Didattici

IL CORSO PREVEDE 24 ORE DI LEZIONI FRONTALI IN AULA FINALIZZATE ALL’APPRENDIMENTO DELLE CONOSCENZE AVANZATE RIGUARDANTI I METODI NUMERICI E LA PROGRAMMAZIONE E 36 ORE DI LEZIONI DI TIPO ESERCITATIVO IN LABORATORIO INCENTRATE SULL’ILLUSTRAZIONE PRATICA DEL PROCESSO DI MODELLIZZAZIONE DEL PROBLEMA FISICO IN ESAME, SELEZIONE/ELABORAZIONE DEI METODI NUMERICI ED ALGORITMI NECESSARI ALLA SUA SOLUZIONE NUMERICA, DESIGN DEL CODICE A SECONDA DEL PARADIGMA DI PROGRAMMAZIONE SCELTO, REDAZIONE CONCRETA DEL CODICE IN C++ E PYTHON (SINTASSI DEL LINGUAGGIO), SUA COMPILAZIONE, ESECUZIONE E RELATIVA RACCOLTA E RAPPRESENTAZIONE GRAFICA DEI RISULTATI.

	Verifica dell'apprendimento
	LA VERIFICA E LA VALUTAZIONE DEL LIVELLO DI APPRENDIMENTO DELLO STUDENTE AVVERRANNO TRAMITE UNA PROVA FINALE CHE CONSISTERÀ NELLA DISCUSSIONE ORALE DI UN PROGETTO DI RICERCA, ASSEGNATO A FINE CORSO A UN GRUPPO DI DUE/TRE STUDENTI, RIGUARDANTE LA SOLUZIONE DI UN PROBLEMA FISICO NON MENZIONATO AL CORSO, MA RISOLVIBILE TRAMITE I METODI NUMERICI TRATTATI DURANTE IL CORSO. LA DISCUSSIONE ORALE È TESA A VALUTARE IL LIVELLO DELLE CONOSCENZE TEORICHE, L’AUTONOMIA DI ANALISI E GIUDIZIO, NONCHÉ LE CAPACITÀ ESPOSITIVE DELL’ALLIEVO. IL LIVELLO DI VALUTAZIONE È ATTRIBUITO TENENDO CONTO DELL’EFFICIENZA DEI METODI UTILIZZATI, DELLA COMPLETEZZA ED ESATTEZZA DELLE RISPOSTE, NONCHÉ DELLA CHIAREZZA NELLA PRESENTAZIONE. IL LIVELLO DI VALUTAZIONE MINIMO (18) È ATTRIBUITO QUANDO LO STUDENTE DIMOSTRA INCERTEZZE NELL’APPLICAZIONE DEI METODI NUMERICI E NELL'INDIVIDUAZIONE DELLE METODICHE ATTE A CONTROLLARE L'ERRORE NUMERICO, E HA UNA LIMITATA CONOSCENZA DEI PRINCIPALI ALGORITMI. IL LIVELLO MASSIMO (30) È ATTRIBUITO QUANDO LO STUDENTE DIMOSTRA UNA CONOSCENZA COMPLETA ED APPROFONDITA DEI METODI NUMERICI E DEGLI ALGORITMI E MOSTRA UNA NOTEVOLE CAPACITÀ DI INDIVIDUARE E GESTIRE LE SORGENTI DI ERRORE NUMERICO PRESENTI NELLO SPECIFICO PROBLEMA CHE HA SCELTO DI AFFRONTARE. LA LODE VIENE ATTRIBUITA QUANDO IL CANDIDATO DIMOSTRA SIGNIFICATIVA PADRONANZA DEI CONTENUTI TEORICI ED OPERATIVI E MOSTRA DI SAPER PRESENTARE GLI ARGOMENTI CON NOTEVOLE PROPRIETÀ DI LINGUAGGIO E CAPACITÀ DI ELABORAZIONE AUTONOMA ANCHE IN CONTESTI DIVERSI DA QUELLI PROPOSTI DAL DOCENTE.

Verifica dell'apprendimento

LA VERIFICA E LA VALUTAZIONE DEL LIVELLO DI APPRENDIMENTO DELLO STUDENTE AVVERRANNO TRAMITE UNA PROVA FINALE CHE CONSISTERÀ NELLA DISCUSSIONE ORALE DI UN PROGETTO DI RICERCA, ASSEGNATO A FINE CORSO A UN GRUPPO DI DUE/TRE STUDENTI, RIGUARDANTE LA SOLUZIONE DI UN PROBLEMA FISICO NON MENZIONATO AL CORSO, MA RISOLVIBILE TRAMITE I METODI NUMERICI TRATTATI DURANTE IL CORSO. LA DISCUSSIONE ORALE È TESA A VALUTARE IL LIVELLO DELLE CONOSCENZE TEORICHE, L’AUTONOMIA DI ANALISI E GIUDIZIO, NONCHÉ LE CAPACITÀ ESPOSITIVE DELL’ALLIEVO.

IL LIVELLO DI VALUTAZIONE È ATTRIBUITO TENENDO CONTO DELL’EFFICIENZA DEI METODI UTILIZZATI, DELLA COMPLETEZZA ED ESATTEZZA DELLE RISPOSTE, NONCHÉ DELLA CHIAREZZA NELLA PRESENTAZIONE.

IL LIVELLO DI VALUTAZIONE MINIMO (18) È ATTRIBUITO QUANDO LO STUDENTE DIMOSTRA INCERTEZZE NELL’APPLICAZIONE DEI METODI NUMERICI E NELL'INDIVIDUAZIONE DELLE METODICHE ATTE A CONTROLLARE L'ERRORE NUMERICO, E HA UNA LIMITATA CONOSCENZA DEI PRINCIPALI ALGORITMI.

IL LIVELLO MASSIMO (30) È ATTRIBUITO QUANDO LO STUDENTE DIMOSTRA UNA CONOSCENZA COMPLETA ED APPROFONDITA DEI METODI NUMERICI E DEGLI ALGORITMI E MOSTRA UNA NOTEVOLE CAPACITÀ DI INDIVIDUARE E GESTIRE LE SORGENTI DI ERRORE NUMERICO PRESENTI NELLO SPECIFICO PROBLEMA CHE HA SCELTO DI AFFRONTARE.

LA LODE VIENE ATTRIBUITA QUANDO IL CANDIDATO DIMOSTRA SIGNIFICATIVA PADRONANZA DEI CONTENUTI TEORICI ED OPERATIVI E MOSTRA DI SAPER PRESENTARE GLI ARGOMENTI CON NOTEVOLE PROPRIETÀ DI LINGUAGGIO E CAPACITÀ DI ELABORAZIONE AUTONOMA ANCHE IN CONTESTI DIVERSI DA QUELLI PROPOSTI DAL DOCENTE.

	Testi
	COMPUTATIONAL PHYSICS: T. PANG; AN INTRODUCTION TO COMPUTATIONAL PHYSICS; CAMBRIDGE UNIVERSITY PRESS; CONTENUTI: 2ND ED. (2006), CODICI IN FORTRAN 90: 1ST ED. (1997). N.J. GIORDANO; COMPUTATIONAL PHYSICS; BENJAMIN CUMMINGS; 2ND ED. (2005). J. THIJSSEN; COMPUTATIONAL PHYSICS; CAMBRIDGE UNIVERSITY PRESS; 2ND ED. (2007). R.H. LANDAU, J. PAEZ, C.C. BORDEIANU; A SURVEY OF COMPUTATIONAL PHYSICS: INTRODUCTORY COMPUTATIONAL SCIENCE; PRINCETON UNIVERSITY PRESS (2008). P.L. DEVRIES , J.E. HASBUN; A FIRST COURSE IN COMPUTATIONAL PHYSICS; JONES & BARTLETT PUBLISHERS; 2ND ED. (2010). A. KLEIN; INTRODUCTORY COMPUTATIONAL PHYSICS; CAMBRIDGE UNIVERSITY PRESS; 2ND ED. (2010). R. FITZPATRICK; COMPUTATIONAL PHYSICS; LECTURE NOTES. MATHEMATICAL METHODS: K.F. RILEY, M.P. HOBSON, AND S.J. BENCE; MATHEMATICAL METHODS FOR PHYSICS AND ENGINEERING; CAMBRIDGE UNIVERSITY PRESS; 3RD ED. (2006). S. HASSANI; MATHEMATICAL METHODS FOR STUDENTS OF PHYSICS AND RELATED FIELDS; SPRINGER SCIENCE+BUSINESS MEDIA, LLC; 2ND ED. (2009). H. SHIMA, AND T. NAKAYAMA; HIGHER MATHEMATICS FOR PHYSICS AND ENGINEERING; SPRINGER-VERLAG (2010). NUMERICAL METHODS AND ALGORITHMS: W.H. PRESS, S.A. TEUKOLSKY, H.A. BETHE, W.T. VETTERLING, AND B.P. FLANNERY; NUMERICAL RECIPES - THE ART OF SCIENTIFIC COMPUTING; CAMBRIDGE UNIVERSITY PRESS; CONTENUTI: 3RD ED. (2007). A HIGH-BIAS,LOW-VARIANCE INTRODUCTION TO MACHINE LEARNING FOR PHYSICISTS: P.METHA, M. BUKOV, C-H. WANG, A.G.R. DAY, C. RICHARDSON, C.K. FISHER, D.J. SCHWAB (HTTPS://ARXIV.ORG/ABS/1803.08823). DISPENSE DEL DOCENTE SU MACHINE LEARNING.

Testi

COMPUTATIONAL PHYSICS: T. PANG; AN INTRODUCTION TO COMPUTATIONAL PHYSICS; CAMBRIDGE UNIVERSITY PRESS; CONTENUTI: 2ND ED. (2006), CODICI IN FORTRAN 90: 1ST ED. (1997). N.J. GIORDANO; COMPUTATIONAL PHYSICS; BENJAMIN CUMMINGS; 2ND ED. (2005). J. THIJSSEN; COMPUTATIONAL PHYSICS; CAMBRIDGE UNIVERSITY PRESS; 2ND ED. (2007). R.H. LANDAU, J. PAEZ, C.C. BORDEIANU; A SURVEY OF COMPUTATIONAL PHYSICS: INTRODUCTORY COMPUTATIONAL SCIENCE; PRINCETON UNIVERSITY PRESS (2008). P.L. DEVRIES , J.E. HASBUN; A FIRST COURSE IN COMPUTATIONAL PHYSICS; JONES & BARTLETT PUBLISHERS; 2ND ED. (2010). A. KLEIN; INTRODUCTORY COMPUTATIONAL PHYSICS; CAMBRIDGE UNIVERSITY PRESS; 2ND ED. (2010). R. FITZPATRICK; COMPUTATIONAL PHYSICS; LECTURE NOTES.
MATHEMATICAL METHODS: K.F. RILEY, M.P. HOBSON, AND S.J. BENCE; MATHEMATICAL METHODS FOR PHYSICS AND ENGINEERING; CAMBRIDGE UNIVERSITY PRESS; 3RD ED. (2006). S. HASSANI; MATHEMATICAL METHODS FOR STUDENTS OF PHYSICS AND RELATED FIELDS; SPRINGER SCIENCE+BUSINESS MEDIA, LLC; 2ND ED. (2009). H. SHIMA, AND T. NAKAYAMA; HIGHER MATHEMATICS FOR PHYSICS AND ENGINEERING; SPRINGER-VERLAG (2010).
NUMERICAL METHODS AND ALGORITHMS: W.H. PRESS, S.A. TEUKOLSKY, H.A. BETHE, W.T. VETTERLING, AND B.P. FLANNERY; NUMERICAL RECIPES - THE ART OF SCIENTIFIC COMPUTING; CAMBRIDGE UNIVERSITY PRESS; CONTENUTI: 3RD ED. (2007). A HIGH-BIAS,LOW-VARIANCE INTRODUCTION TO MACHINE LEARNING FOR PHYSICISTS: P.METHA, M. BUKOV, C-H. WANG, A.G.R. DAY, C. RICHARDSON, C.K. FISHER, D.J. SCHWAB (HTTPS://ARXIV.ORG/ABS/1803.08823).
DISPENSE DEL DOCENTE SU MACHINE LEARNING.

	Altre Informazioni
	LA FREQUENZA DEL CORSO, PUR NON ESSENDO OBBLIGATORIA, È FORTEMENTE CONSIGLIATA. PER UNA PREPARAZIONE SODDISFACENTE SONO RICHIESTE, IN MEDIA, DUE ORE DI STUDIO PER CIASCUNA ORA DI LEZIONE SIA FRONTALE CHE DI LABORATORIO.

BETA VERSION Fonte dati ESSE3 [Ultima Sincronizzazione: 2024-11-05]

Annalisa DE CARO | FISICA COMPUTAZIONALE AVANZATA