Aperçu du cours
Cursusoverzicht
Introductie tot Wetenschappelijke Programmering met Python
Deze module biedt een uitgebreide introductie tot de kernconcepten van wetenschappelijke programmering. Je leert Python gebruiken voor complexe analyses, het verwerken van grote datasets en het maken van numerieke simulaties.
Python-bibliotheken voor Wetenschap
Verken essentiële wetenschappelijke Python-bibliotheken zoals:
NumPy voor numerieke berekeningen
SciPy voor geavanceerde wetenschappelijke taken
Matplotlib voor wetenschappelijke gegevensvisualisatie
Elke bibliotheek wordt behandeld met praktische voorbeelden en casestudy’s.
Gegevensmanipulatie en -analyse
Leer hoe je wetenschappelijke gegevens kunt manipuleren en analyseren met Pandas en andere gespecialiseerde tools. Deze module richt zich op:
Importeren en opschonen van gegevens
Transformatie en exploratie van complexe datasets
Het verkrijgen van relevante inzichten uit data
Numerieke Berekeningen en Simulaties
Ontdek hoe je Python gebruikt voor:
Nauwkeurige numerieke berekeningen
Modellering en simulaties voor wetenschappelijk onderzoek
Praktische oefeningen in het modelleren van fysieke en biologische fenomenen
Praktische Projecten
Werk aan praktijkgerichte projecten waarin je de geleerde technieken toepast. Los echte wetenschappelijke problemen op met Python en leer resultaten effectief te presenteren.
Prérequis
- Basiskennis van Python (controlestructuren, functies, manipulatie van lijsten en dictionaries)
- Basiskennis van toegepaste wiskunde en gegevensverwerking is een pluspunt
- Ervaring met wetenschappelijke programmering of data-analyse is wenselijk
Fonctionnalités
- Beheersen van geavanceerde Python-tools voor wetenschappelijke berekeningen, waaronder NumPy, SciPy en Pandas om complexe analyses en simulaties uit te voeren
- Optimaliseren van gegevensmanipulatie en -analyse met Pandas voor het importeren, opschonen, transformeren en visualiseren van wetenschappelijke datasets
- Verbeteren van de prestaties van numerieke berekeningen door matrixbewerkingen te optimaliseren, vectorisatie en parallelisme met tools zoals NumPy en Dask
- Ontwikkelen van wetenschappelijke rekenmodellen en simulaties, waarbij geavanceerde functies van SciPy worden gebruikt voor lineaire algebra, signaalverwerking en tijdreeksanalyse
Public ciblé
- Deze training is bedoeld voor: Wetenschappers Ingenieurs, Data-analisten en Onderzoekers die Python willen inzetten voor data-analyse, numerieke berekeningen en wetenschappelijke simulaties.
Détails
- 5 Sections
- 26 Lessons
- 28 Hours
- Geavanceerde Python5
- Manipulatie van arrays en wiskundige bewerkingen met NumPy8
- 2.1Gegevensstructuur: numpy-array
- 2.2Aanmaken van arrays
- 2.3Bewerkingen op arrays: basisbewerkingen, broadcasting, specifieke methoden, werken met wiskundige formules
- 2.4Invoer/uitvoer met NumPy
- 2.5Uitleg over de optimalisatie van bewerkingen op arrays met NumPy: vectorisatie, geheugenallocatie, C++ binding, compilatie voor specifieke architecturen, optimalisatie van processorbronnen
- 2.6Vermijden van for-lussen
- 2.7Vergelijking van prestaties met native Python
- 2.8Profilering / Timing
- Wetenschappelijke berekeningen met SciPy2
- Gegevensverkenning en -analyse met Pandas9
- 4.1Gegevensstructuren: DataFrame, Series
- 4.2Essentiële functionaliteiten: attributen, beschrijvende statistieken, gegevenstypen…
- 4.3Indexering en selectie van gegevens: Basisprincipes Toegang via attributen Slicing Selectie op label, positie, callable-functie, selectie-methoden, maskergebaseerde selectie
- 4.4Wiskundige bewerkingen op DataFrames: versnelde bewerkingen op gegevens, toepassing van wiskundige functies
- 4.5Bewerkingen op DataFrames: concatenatie, samenvoeging, groepering
- 4.6Werken met tekstuele gegevens
- 4.7Werken met ontbrekende gegevens
- 4.8Werken met tijdreeksen
- 4.9Invoer/uitvoertools
- Versnellen van Python-code2