Física Biomédica (plan 2015) 2023-2

El curso de Algoritmos computacionales es una primera aproximación a la programación en el currículo de la carrera de Física Biomédica.

El objetivo general de la materia, de acuerdo con el plan de estudios, es "describir la metodología y la estructura de programas de cómputo en pseudocódigo", además de darle al estudiantado las habilidades para crear programas en dicho pseudocódigo y en código computacional.

El enfoque bajo el que se imparte este curso está orientado a que el alumnado desarrolle el pensamiento algorítmico y sea capaz de ponerlo en uso. En específico, este pensamiento algorítmico está orientado a problemas de las ciencias naturales. Para ello, a la par de discutir conceptos teóricos, se enseña a programar en el lenguaje Python.

Dinámica de la clase

La totalidad del curso se lleva a cabo de manera presencial. Se usará la plataforma de Google Classroom para intercambiar material de apoyo, dar anuncios importantes y entregar tareas. Además del Classroom, habrá un chat en la plataforma Slack/Discord para mantenernos en comunicación más constante.

La evaluación de la clases consiste en la recepción de tareas, participación y un proyecto final (si se considera pertinente luego de la primera mitad del curso). Las tareas son cortas y su frecuencia es cercana a una entrega semanal. La participación consiste en una interacción activa y constante durante el curso.

Los porcentajes de evaluación son los siguientes:

• Tareas: 80 %
• Participación: 20 %.

En caso de que exista el proyecto final, se tomará un 20 % del porcentaje asignado a las tareas y se reasignará al proyecto final.

La liga al classroom del curso es la siguiente: https://classroom.google.com/c/NTg4MDI2NjQ5NjA3?cjc=4hofnh5

Temario del curso

El programa del curso sigue lo sugerido por el plan de estudios y no asume un conocimiento previo en programación. Sin embargo, sí exige haber tomado los cursos de Álgebra lineal, Cálculo diferencial e integral y Ecuaciones diferenciales.

• Introducción a la programación (8 sesiones)
  • Algoritmos, pseudocódigo y diagramas de flujo
  • Programación básica en los lenguajes Julia y Python
  • Estructuras de control y ciclos

• Introducción a la Física Computacional (8 sesiones)
  • Cálculos directos. Visualización de datos en 2D y 3D
  • Puntos fijos y solución de ecuaciones trascendentes
  • Derivación e integración

• Cómputo científico (10 sesiones)
  • Solución de sistemas lineales de ecuaciones algebraicas
  • Solución de ecuaciones diferenciales ordinarias
  • Análisis estadístico de datos

• Temas Selectos (6 sesiones)
  • Manipulación de strings
  • Manipulación de archivos de texto
  • Métodos y funciones avanzadas.

Bibliografía recomendada

Forouzan, Behrouz A, and Firouz Mosharraf. 2007. Foundations of Computer Science. Cengage Learning EMEA.

Downey, Allen, and Ben Lauwens. n.d. “Think Julia: How to Think Like a Computer Scientist.” https://benlauwens.github.io/ThinkJulia.jl/latest/book.html.

“Julia Language Documentation.” n.d. https://docs.julialang.org/en/v1/.

Hill, Christian. 2016. Learning Scientific Programming with Python. 1st ed. USA: Cambridge University Press.

Lauwens y Downey, Think Julia: How to Think Like a Computer Scientist (2019).

Linge, Svein, and Hans Petter Langtangen. 2016. Programming for Computations – Python. Springer.

Zelle, John M. 2004. Python Programming: An Introduction to Computer Science. Franklin, Beedle & Associates, Inc.

Cormen, Thomas H, Charles E Leiserson, Ronald L Rivest, and Clifford Stein. 2009. Introduction to Algorithms. Third. MIT press.

Landau, Rubin H., Manuel J. Páez, and Cristian C. Bordeianu. 2015. Computational Physics: Problem Solving with Python. 3rd ed. Wiley-VCH.