Insegnamento
MODEL IDENTIFICATION, CALIBRATION AND DATA ANALYSIS
INP5070359, A.A. 2016/17

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
MATHEMATICAL ENGINEERING - INGEGNERIA MATEMATICA
IN2191, ordinamento 2015/16, A.A. 2016/17
1146608
Curriculum Percorso Comune
Crediti formativi 9.0
Denominazione inglese MODEL IDENTIFICATION, CALIBRATION AND DATA ANALYSIS
Dipartimento di riferimento Dipartimento di Ingegneria Civile, Edile e Ambientale (ICEA)
Sito E-Learning https://elearning.unipd.it/dicea/course/view.php?idnumber=2016-IN2191-000ZZ-2016-INP5070359-N0
Obbligo di frequenza No
Lingua di erogazione INGLESE
Sede PADOVA

Docenti
Responsabile GIORGIO PICCI ING-INF/04

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

Modalità di erogazione
Periodo di erogazione Annuale
Anno di corso I Anno
Modalità di erogazione frontale

Organizzazione della didattica
Tipo ore Crediti Ore di
Corso
Ore Studio
Individuale
Turni
LEZIONE 9.0 72 153.0 Nessun turno

Calendario
Inizio attività didattiche 01/10/2016
Fine attività didattiche 16/06/2017

Commissioni d'esame
Commissione Dal Al Membri
2 2016 01/10/2016 15/03/2018 PICCI GIORGIO (Presidente)
CALLEGARO GIORGIA (Membro Effettivo)
PINZONI STEFANO (Supplente)
1 2015 01/10/2015 15/03/2017 PICCI GIORGIO (Presidente)
CALLEGARO GIORGIA (Membro Effettivo)
PINZONI STEFANO (Supplente)

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:
Criteri di valutazione:
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:
Eventuali indicazioni sui materiali di studio:
Testi di riferimento: