T10.1
Генерація даних як частина валідації
Пояснити власними словами, показати у моделі, підтвердити графіком або чисельним експериментом.
Topic W10 · 14.04.2026
Data generation та Monte Carlo
Варіація параметрів, граничні випадки, seed, reproducibility, CSV/JSON results, batch simulation.
Навчальний фокус
Що студент має зрозуміти
T10.2
Seed, config, reproducibility
Пояснити власними словами, показати у моделі, підтвердити графіком або чисельним експериментом.
T10.3
Як знаходити аномальні сценарії без ручного перебору
Пояснити власними словами, показати у моделі, підтвердити графіком або чисельним експериментом.
Практика
Практична робота
10+ сценаріїв, конфіг-файл, таблиця очікуваних ефектів, перший anomaly log.
- Підготувати 3 контрольні питання до теми і відповісти на них без LLM-підказок.
- Додати до Git короткий commit note: що змінилось і чому.
- Додати один графік, який показує не лише результат, а й проблему або обмеження моделі.
- Описати один ризик неправильного застосування методу в реальній інженерній задачі.
- Зробити мінімум один ручний розрахунок або sanity check для перевірки чисельної моделі.
Лабораторна
ЛР-10: batch simulation + CSV результатів.
Очікуваний артефакт: Batch runner, config file, CSV dataset, anomaly notes.
Додаткові матеріали
Batch simulation and data: онлайн-база для поглиблення
Ключові ресурси теми
Розгорнути
- NumPy DocumentationМасиви, векторизація, базова чисельна інфраструктура.
- pandas DocumentationCSV/Excel результати, таблиці експериментів.
- SciPy · solve_ivpЧисельне інтегрування систем ОДУ в Python.
- GitHub Actions · Python build and testАвтоматичний запуск тестів для Python-моделей.
- pytest DocumentationМінімальні unit/sanity tests для моделей.
- Coursera · MATLAB / Simulink coursesКаталог MATLAB/Simulink курсів.
- Coursera · Numerical Methods for EngineersЧисельні методи, ODE/PDE, MATLAB-практика.
- N-iX · Software Engineering ServicesЖиттєвий цикл інженерного продукту.
Практичне застосування
Розгорнути
- Знайти в одному з ресурсів приклад, близький до командного проєкту, і додати коротке посилання в README.
- Порівняти матеріал з власною моделлю: що збігається, а що відрізняється через фізичні припущення.
- Додати один sanity check або один графік, який підтверджує правильність обраного підходу.
- Зафіксувати у weekly status: що було використано, чому саме це джерело, який результат отримано.
Контроль якості та автентичності
Розгорнути
- Git DocumentationКоміти, branches, diff, історія рішень.
- Jupyter DocumentationNotebook як журнал експерименту.
- Matplotlib documentationГрафіки з підписаними осями та легендами.
- Не копіювати готові рішення без пояснення. Кожне посилання має завершитись власним висновком.
- У звіті окремо відмітити: source → застосований фрагмент → власна модифікація → результат.