Corsi di Laurea Corsi di Laurea Magistrale Corsi di Laurea Magistrale
a Ciclo Unico
Scuola di Ingegneria
MATHEMATICAL ENGINEERING - INGEGNERIA MATEMATICA
Insegnamento
SYSTEM IDENTIFICATION AND DATA ANALYSIS
INP8084399, A.A. 2019/20

Informazioni valide per gli studenti immatricolati nell'A.A. 2019/20

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
MATHEMATICAL ENGINEERING - INGEGNERIA MATEMATICA
IN2191, ordinamento 2017/18, A.A. 2019/20
N0
porta questa
pagina con te
Curriculum Percorso Comune
Crediti formativi 9.0
Tipo di valutazione Voto
Denominazione inglese SYSTEM IDENTIFICATION AND DATA ANALYSIS
Dipartimento di riferimento Dipartimento di Ingegneria Civile, Edile e Ambientale (ICEA)
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA
Corso singolo È possibile iscriversi all'insegnamento come corso singolo
Corso a libera scelta È possibile utilizzare l'insegnamento come corso a libera scelta

Docenti
Responsabile GIORGIO PICCI 000000000000

Dettaglio crediti formativi
Tipologia Ambito Disciplinare Settore Scientifico-Disciplinare Crediti
CARATTERIZZANTE Discipline ingegneristiche ING-INF/04 9.0

Organizzazione dell'insegnamento
Periodo di erogazione Secondo semestre
Anno di corso I Anno
Modalità di erogazione frontale

Tipo ore Crediti Ore di
didattica
assistita
Ore Studio
Individuale
LEZIONE 9.0 72 153.0

Calendario
Inizio attività didattiche 02/03/2020
Fine attività didattiche 12/06/2020
Visualizza il calendario delle lezioni Lezioni 2019/20 Ord.2017

Syllabus
Prerequisiti: None
Conoscenze e abilita' da acquisire: Objective
Introduce the students to the advanced topics of linear algebra and model identification.

Outcomes
A student who has met the objectives of the course will have a fundamental knowledge of:

• Linear algebra and numerical methods for large sparse matrices
• Deterministic and stochastic methods for model identification and calibration.
Modalita' di esame: Written with optional computer project. Two Partial tests during the academic year plus four regular exam sessions
Criteri di valutazione: Completeness and orderliness of essay; clarity of exposition; rigour in using the technical terminology. The level of correspondence to these criteria will determine the graduation of the judgement and, consequently, the final mark.
Contenuti: 1. Review of linear algebra concepts;
2. Iterative methods for the solution of large, sparse linear systems: a) conjugate gradient methods for symmetric systems; b) projection methods for nonsymmetric systems (GMRES-BiCGSTAB); c) preconditioning; incomplete factorizations; sparse factorized approximate inverses; d) implementation techniques; sparse (CSR) matrix storage;
3. Methods for the calculation of eigenvalues and eigenvectors: a) Power and inverse power (with shift) methods; b) QR method.
4. Newton methods for nonlinear systems: a) derivation of the Newton methods; b) local convergence properties and introduction to globalization techniques; c) Picard method; d) implementation of the Newton-Krylov and inexact Newton methods.
5. The calibration as an ill posed problem;
6. Penalizing functions;
7. Likelihood method for estimation;
8. Generalized Method of Moments;
9. Deterministic and stochastic algorithms.
Attivita' di apprendimento previste e metodologie di insegnamento: Frontal teaching and practical exercises, that the student has to further develop and deepen with his study.
Eventuali indicazioni sui materiali di studio: Classroom notes: STATISTICAL METHODS FOR
DYNAMICAL DATA ANALYSIS
by Giorgio Picci
Testi di riferimento:
  • Hastie Tibshirani Friedman, The Elements of Statistical Learning. --: Springer, 2009. Cerca nel catalogo