Numerical Methods for Scientific Computing

📊 روش‌های عددی؛ از «جعبه‌سیاه» الگوریتم‌ها تا درک واقعی محاسبات علمی

📘 کتاب Numerical Methods یک راهنمای مدرن و عمیق برای فهم الگوریتم‌هایی هست که در قلب محاسبات علمی استفاده میشن؛ الگوریتم‌هایی که معمولاً به شکل black box استفاده میشن، بدون اینکه کاربر دقیق بدونه داخلشون چه اتفاقی می‌افته.

🧠 این کتاب دقیقاً همین جعبه‌سیاه‌ها را باز میکنه و توضیح میده که این روش‌ها چطور کار میکنن، چرا گاهی شکست میخورن، و چطور میشه هم از اون‌ها بهتر استفاده کرد و هم الگوریتم‌های جدید طراحی کرد.

⚙️ تمرکز اصلی کتاب روی ترکیب نظریه ریاضی + کاربرد عملی + پیاده‌سازی واقعی هست.

📌 هدف اینه که فقط کاربر ابزار نباشی؛ بلکه تبدیل بشی به کسی که الگوریتم‌های محاسبات علمی را می‌فهمه، نقد میکنه و طراحی میکنه.

🧩 در این کتاب چه چیزهایی یاد میگیری؟

🧮 حل سیستم‌های خطی با روش‌های مستقیم و عددی

📉 تحلیل سیستم‌های ناسازگار و خطاهای محاسباتی

🔢 محاسبه مقادیر ویژه (Eigenvalues) و کاربرد آن‌ها

🔁 روش‌های تکراری برای حل سیستم‌های بزرگ

⚡ تبدیل فوریه سریع (FFT) برای تحلیل سیگنال‌ها

📊 درون‌یابی (Interpolation) و تقریب تابع‌ها

📐 مشتق‌گیری و انتگرال‌گیری عددی

🧠 حل معادلات غیرخطی

🌡️ معادلات دیفرانسیل معمولی و جزئی (ODE / PDE)

🌊 معادلات سهموی، هذلولوی و بیضوی

📡 روش‌های طیفی (Fourier Spectral Methods)

📚 فهرست مطالب

بخش اول — جبر خطی عددی

1. مرور جبر خطی
2. روش‌های مستقیم برای سیستم‌های خطی
3. سیستم‌های ناسازگار
4. محاسبه مقادیر ویژه
5. روش‌های تکراری
6. تبدیل فوریه سریع (FFT)

بخش دوم — تحلیل عددی

1. مقدمات
2. حل معادلات غیرخطی
3. درون‌یابی
4. تقریب توابع
5. مشتق‌گیری و انتگرال‌گیری

بخش سوم — معادلات دیفرانسیل عددی

1. معادلات دیفرانسیل معمولی
2. معادلات سهموی
3. معادلات هذلولوی
4. معادلات بیضوی
5. روش‌های طیفی فوریه

بخش پایانی

A. پاسخ تمرین‌ها

B. برنامه‌نویسی در Python و Matlab

💡 ویژگی‌های مهم کتاب

📌 توضیح دقیق اینکه الگوریتم‌ها چرا کار میکنن و چرا گاهی fail میشن

📌 تمرین‌های حل‌شده با جزئیات کامل

📌 پوشش همزمان نظریه ریاضی و پیاده‌سازی عملی

📌 مثال‌های کاربردی در محاسبات علمی و مهندسی

📌 پشتیبانی از سه زبان مهم: Python، Julia و MATLAB/Octave

🧠 چرا این کتاب مهمه؟

📊 بیشتر کاربران از روش‌های عددی فقط به‌عنوان ابزار استفاده میکنن، بدون اینکه رفتار داخلیشون رو درک کنن.

⚠️ این موضوع میتونه باعث خطاهای جدی در تحلیل علمی یا مهندسی بشه (مثلاً جواب‌های ناپایدار یا غلط).

📌 این کتاب کمک میکنه بفهمی:

• چه زمانی یک الگوریتم قابل اعتماد نیست
• چرا خطاهای عددی رخ میدن
• و چطور میشه روش‌های بهتر طراحی کرد

👨‍🏫 درباره نویسنده

🧠 «کایل نوواک» یک ریاضیدان کاربردی و دانشمند داده با بیش از ۲۵ سال تجربه در حوزه‌هایی مثل سیستم‌های خودکار، تحلیل رمزنگاری و شبکه‌های پیچیده هست.

🏛️ او سابقه فعالیت در سازمان‌هایی مثل NSA، آزمایشگاه تحقیقاتی نیروی هوایی آمریکا و مشاوره در سیاست‌گذاری علمی در سطح دولت آمریکا را داره.

📊 حوزه تخصصی او ترکیب ریاضیات کاربردی با تصمیم‌گیری داده‌محور در مسائل واقعی مثل امنیت ملی، سیاست عمومی و سیستم‌های هوشمنده.

🚀 همین تجربه گسترده باعث شده کتابش فقط یک متن آموزشی نباشه، بلکه یک مرجع عملی برای درک عمیق محاسبات عددی در دنیای واقعی باشه.

Numerical methods are ubiquitous in scientific research, often working quietly behind the scenes in algorithmic black boxes. Practitioners who use such black boxes don’t always know what’s happening inside them, sometimes leading to inaccurate or inefficient solutions and occasionally flat-out wrong ones. This book breaks open the algorithms to explain how they work and why they can fail. It helps develop both the intuitive understanding of the underlying mathematical theory and practical skills for research.

This book teaches not only how to be a critical user of scientific computing algorithms but also a knowledgeable creator of them. Ideal as an introductory text for senior undergraduate and first-year graduate students, as a self-study for anyone with a working knowledge of multivariate calculus and linear algebra, and as a modern reference on numerical methods for researchers.

This revised edition, extensively rewritten and expanded, provides a comprehensive guide to using numerical methods in linear algebra, analysis, and differential equations. Examples and exercises are worked out in detail. This book includes extensive commentary and code for three essential scientific computing languages: Julia, Python, and Matlab/Octave

Kyle Novak is an applied mathematician, data scientist, and decision analyst with twenty-five years of experience on topics ranging from autonomous systems and cryptanalysis to complex networks and federal policy. He is the author of Special Functions of Mathematical Physics: A Tourist’s Guidebook and is featured in the American Mathematical Society’s 101 Careers in Mathematics.

Table of Contents

Numerical Linear Algebra

1 A Review of Linear Algebra

2 Direct Methods for Linear Systems

3 Inconsistent Systems

4 Computing Eigenvalues

5 Iterative Methods for Linear Systems

6 The Fast Fourier Transform

Numerical Analysis

7 Preliminaries

8 Solutions to Nonlinear Equations

9 Interpolation

10 Approximating Functions

11 Differentiation and Integration

Numerical Differential Equations

12 Ordinary Differential Equations

13 Parabolic Equations

14 Hyperbolic Equations

15 Elliptic Equations

16 Fourier Spectral Methods

Back Matter

A Solutions

B Computing in Python and Matlab

About the Author

Kyle Novak is an applied mathematician, data scientist, and policy advisor with twenty-five years of experience in finding solutions to real problems. Kyle examined the national security threats of autonomous air systems while at the Air Force Research Laboratory, served as a cryptologic mathematician at the National Security Agency, taught graduate students at the Air Force Institute of Technology, and provided decision analysis to senior military leaders at the Pentagon. As a science and technology policy fellow at the U.S. Agency for International Development, Kyle explored the use of digital technologies and data science toward ending extreme poverty and promoting resilient, democratic societies. He subsequently served as an advisor on science and technology, national security, defense, and foreign policy in the U.S. Senate. In his most recent position at the National Institute of Justice, Kyle guides research on the application of artificial intelligence and mathematical modeling in criminal justice and policing.