General
BIENVENIDOS
Modalidad de clase :
El módulo se realizará en modalidad presencial, para teóricos, prácticos y laboratorios, manteniendo además la atención en el foro.
Todos los temas tienen material de apoyo, diapositivas, prácticos y códigos de programación que acompañan el curso, no obstante, el curso está basado en la siguiente bibliografía:
- Goodfellow I., Bengio Y.,Courville A. (2016) Deep Learning. MIT Press
- Raissi, M., Perdikaris, P., & Karniadakis, G. E. (2018). Physics-Informed Neural Networks: A Deep Learning Framework for Solving Forward and Inverse Problems Involving Nonlinear Partial Differential Equations. Journal of Computational Physics.
- Raissi, M. and Perdikaris, P. and Karniadakis, G. (2017). Physics Informed Deep Learning (Part I): Data-driven Solutions of Nonlinear Partial Differential Equations. arXiv
- Raissi, M. and Perdikaris, P. and Karniadakis, G. (2017). Physics Informed Deep Learning (Part II):Data-driven Discovery of Nonlinear Partial Differential Equations. arXiv
- Wang S., Sankaran S., Wang H., Perdikaris P. (2023).An Expert's Guide to Training Physics-informed Neural Networks. Arxiv
Profesores:
- Christian Díaz: cdiaz@fing.edu.uy
- Santiago Correa: scorrea@fing.edu.uy
Horarios:
- Lunes de 18:00 a 20:00hs (Sala de máquinas de bandejas UDELAR A)