Aperçu du cours
Introduction à la Programmation Scientifique avec Python
Ce module offre une introduction complète aux concepts clés de la programmation scientifique. Vous apprendrez à utiliser Python pour mener des analyses complexes, traiter de grandes quantités de données et créer des simulations numériques.
Librairies Python pour la Science
Explorez les librairies Python essentielles pour la science comme NumPy pour le calcul numérique, SciPy pour les tâches scientifiques avancées, et Matplotlib pour la visualisation des données scientifiques. Chaque librairie sera détaillée avec des exemples pratiques et des cas d’utilisation.
Manipulation et Analyse de Données
Apprenez à manipuler et analyser des données scientifiques en utilisant Pandas et d’autres outils spécialisés. Ce module se concentre sur l’importation, le nettoyage, la transformation et l’exploration de données complexes pour obtenir des insights pertinents.
Calcul Numérique et Simulations
Découvrez comment utiliser Python pour effectuer des calculs numériques précis et développer des modèles de simulation pour la recherche scientifique. Ce cours inclut des exercices pratiques sur la modélisation de phénomènes physiques et biologiques.
Projets Pratiques
Engagez-vous dans des projets pratiques qui vous permettront de mettre en application les techniques apprises. Travaillez sur des problèmes réels, en utilisant Python pour résoudre des défis scientifiques et présenter vos résultats de manière efficace.
Programme de formation
-
Python avancé
-
Rappels concepts fondamentaux Python
-
Bonnes pratiques / Design de code
-
Fonctionnalités avancées de Python
-
Évaluation de performances
-
Limite des performances du langage Python natif
-
-
Manipulation de tableaux et opérations mathématiques avec NumPy
-
Structure de donnée : les numpy array
-
Création de tableau
-
Opérations sur les tableaux : opérations basiques, broadcasting, méthodes spécifiques, travailler à partir de formules mathématiques
-
Entrées/sorties avec Numpy
-
Explication de l’optimisation des opérations sur les tableaux avec Numpy : vectorisation, Allocation mémoire, binding C++, compilation sur architecture dédiée, optimisation des ressources du processeur
-
Bannir les boucles for
-
Comparaison de performances avec Python natif
-
Profilage / Timing
-
-
Calcul scientifique avec SciPy
-
Présentation générale de librairie
-
Présentation de quelques exemples : fit de courbe, algèbre linéaire, fourrier, traitement du signal…
-
-
Exploration et analyse de données avec Pandas
-
Structure de données : DataFrame, série
-
Fonctionnalités essentielles : attributs, statistiques descriptives, type de données…
-
Indexation et sélection de données : Basique, accès par attribut, slicing, sélection par label, par position, par fonction callable, méthodes de sélection, sélection par masque
-
Opérations mathématiques sur les DataFrames : opérations accélérées sur les données, application de fonction mathématiques
-
Opérations sur les DataFrames : concaténation, fusion, regroupement
-
Travailler avec des données textuelles
-
Travailler avec des données manquantes
-
Travailler avec des Série temporelles
-
Outils d’entrée/sortie
-
-
Accélération de code Python
-
Présentation générale et rapide des outils existant pour accélérer les codes Python
-
Passage à l’échelle et parallélisme avec Dask
-
Instructeur
