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. 2018/19

Informazioni valide per gli studenti immatricolati nell'A.A. 2018/19

Principali informazioni sull'insegnamento
Corso di studio Corso di laurea magistrale in
MATHEMATICAL ENGINEERING - INGEGNERIA MATEMATICA
IN2191, ordinamento 2017/18, A.A. 2018/19
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

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 25/02/2019
Fine attività didattiche 14/06/2019
Visualizza il calendario delle lezioni Lezioni 2019/20 Ord.2017

Commissioni d'esame
Commissione Dal Al Membri
2 2019 01/10/2019 15/03/2021 PICCI GIORGIO (Presidente)
CALLEGARO GIORGIA (Membro Effettivo)
PINZONI STEFANO (Supplente)
1 208 01/10/2018 15/03/2020 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: Exam methods will be announced soon.
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: