Introduction Computational Science

Studiewijzer 2017/2018

Globale inhoud

This course will focus on modelling real world phenomena, ranging from physical to sociological processes. After an introduction to modelling and simulation as the third paradigm of science, we cover three methods for modelling real world systems: cellular automata, ordinary differential equations, and complex networks. The course provides basic understanding of each method and their relation and introduces well-known examples for each approach. Every now and then we will derive some mathematical results such as integrating a simple ODE or deriving the diameter of a network structure; a degree mathematical skills are important to a computational modeler. Practical experience is obtained with back-to-back lab assignments which correspond to the concepts introduced in the weekly lecture material. The preferred programming language is Python. Example modelling assignments include traffic congestion, the flow of gas molecules, and the spreading of infectious diseases through our highly connected society.

Studiemateriaal

Literatuur

• E-Book: 'Networks: Network Science' - Laszlo Barabasi: http://barabasilab.com/ http://barabasilab.neu.edu/networksciencebook/

Syllabus

• 'Modelling and Simulation' by A.G. Hoekstra and P.M.A. Sloot

Overig

• 'Graph Theory and Complex Networks, an Introduction' by Maarten van Steen, available via http://www.distributed-systems.net/index.php?id=gtcn-copy: http://www.distributed-systems.net/index.php?id=gtcn-copy
• 'Networks, Crowds, and Markets, reasoning about a highly connected world' by David Easley and John Kleinberg, available via this site and http://www.cs.cornell.edu/home/kleinber/networks-book/: http://www.cs.cornell.edu/home/kleinber/networks-book/
• Other papers and reading material (free) will be provided during the course.

Leerdoelen

At the end of this course:

• You can explain the added value of computational modelling to science;
• You can formulate suitable models for a range of realistic phenomena and explain your choices;
• You can analyse and solve some simple models analytically;
• You can implement simple mathematical models in code, and verify and validate the correctness of your implementation;
• You can solve simple ordinary differential equations analytically (integration method) as well as by numerical approximation (Euler algorithm);
• You can explain and analyse how discretisation and numerical approximations affect the outcome of you simulations;
• You can explain both the power and the limitations of models.
• You understand the role of real data (note: this course does not explicitly handle model fitting or model selection techniques);
• You can describe relevant properties of several classes of models and explain their meaning;
• You know some network models and understand their role in modelling;
• You can implement a few algorithms to generate different types of networks;
• You can derive some basic mathematical properties of networks, such as diameter and giant component size.

Onderwijsvormen

• Hoorcollege
• Laptopcollege
• Zelfstandig werken aan bijv. project/scriptie
• Zelfstudie

There will be two weekly lectures, and one lab session per week, for the Networks half additional Mathematical help classes may be provided.  Lab sessions will lead to assignment submission.

Verdeling leeractiviteiten

Aanwezigheid

Aanwezigheidseisen opleiding (OER-B):

• Voor practica en werkgroepbijeenkomsten met opdrachten geldt een aanwezigheidsplicht. Wanneer studenten niet voldoen aan deze aanwezigheidsplicht kan dit als gevolg hebben dat het onderdeel niet met een voldoende kan worden afgerond.
  

Toetsing

Fraude en plagiaat

Over het algemeen geldt dat elke uitwerking die je inlevert ter verkrijging van een beoordeling voor een vak je eigen werk moet zijn, tenzij samenwerken expliciet door de docent is toegestaan. Het inzien of kopiëren van andermans werk (zelfs als je dat hebt gevonden bij de printer, in een openstaande directory of op een onbeheerde computer) of materiaal overnemen uit een boek, tijdschrift, website, code repository of een andere bron - ook al is het gedeeltelijk - en inleveren alsof het je eigen werk is, is plagiaat.

We juichen toe dat je het cursusmateriaal en de opdrachten met medestudenten bespreekt om het beter te begrijpen. Je mag bronnen op het web raadplegen om meer te weten te komen over het onderwerp en om technische problemen op te lossen, maar niet voor regelrechte antwoorden op opgaven. Als in een uitwerking gebruik is gemaakt van externe bronnen zonder dat een bronvermelding is vermeld (bijvoorbeeld in de rapportage of in commentaar in de code), dan kan dat worden beschouwd als plagiaat.

Deze regels zijn er om alle studenten een eerlijke en optimale leeromgeving aan te kunnen bieden. De verleiding kan groot zijn om te plagiëren als de deadline voor een opdracht nadert, maar doe het niet. Elke vorm van plagiaat wordt bestraft. Als een student ernstige fraude heeft gepleegd, kan dat leiden tot het uitschrijven uit de Universiteit. Zie voor meer informatie over het fraude- en plagiaatreglement van de Universiteit van Amsterdam: www.student.uva.nl

Rooster

Het rooster van dit vak is in te zien op DataNose.

Aanvullende informatie

• Programming in Python is highly recommended and preferred; if necessary then C or Java is also accepted. Some mathematical skills will be used, such as basic calculus, basic statistics (binomial distribution), and the exponential and logarithmic functions.
• Any necessary reading material will be provided through Blackboard. Students would do well to review the necessary mathematical skills mentioned.

Contactinformatie

Coördinator

• dr. Valeria Krzhizhanovskaya