MATH-205: Analysis IV

Related courses (185)

PHYS-216: Mathematical methods for physicists

This course complements the Analysis and Linear Algebra courses by providing further mathematical background and practice required for 3rd year physics courses, in particular electrodynamics and quantum mechanics.

MATH-106(a): Analysis II

Étudier les concepts fondamentaux d'analyse, et le calcul différentiel et intégral des fonctions réelles de plusieurs variables.

FIN-472: Computational finance

Participants of this course will master computational techniques frequently used in mathematical finance applications. Emphasis will be put on the implementation and practical aspects.

MATH-106(b): Analysis II

Étudier les concepts fondamentaux d'analyse et le calcul différentiel et intégral des fonctions réelles de plusieurs variables.

MATH-502: Distribution and interpolation spaces

The aim of this course is to provide a solid foundation of theory of distributions, Sobolev spaces and an introduction to the more general theory of interpolation spaces.

MATH-101(g): Analysis I

Étudier les concepts fondamentaux d'analyse et le calcul différentiel et intégral des fonctions réelles d'une variable.

MATH-101(f): Analysis I

Étudier les concepts fondamentaux d'analyse et le calcul différentiel et intégral des fonctions réelles d'une variable.

MICRO-310(b): Signals and systems I (for SV)

Présentation des concepts et des outils de base pour l'analyse et la caractérisation des signaux, la conception de systèmes de traitement et la modélisation linéaire de systèmes pour les étudiants en sciences de la vie. Application de ces techniques au traitement et à la transmission de signaux.

MATH-201: Analysis III

Calcul différentiel et intégral: Eléments d'analyse vectorielle, intégration par partie, intégrale curviligne, intégrale de surface, théorèmes de Stokes, Green, Gauss, fonctions harmoniques; Eléments d'analyse complexe: fonctions holomorphes ou analytiques, théorème des résidus et applications

EE-556: Mathematics of data: from theory to computation

This course provides an overview of key advances in continuous optimization and statistical analysis for machine learning. We review recent learning formulations and models as well as their guarantees, describe scalable solution techniques and algorithms, and illustrate the trade-offs involved.