Formation Python Calcul Scientifique

La pile d'outils scientifiques en Python offre un écosystème puissant pour les développeurs. Depuis Anaconda, une distribution complète avec des IDEs et les célèbres Jupyter Notebooks, jusqu'à l'essentiel NumPy pour la manipulation efficace des tableaux, et Pandas pour la gestion avancée des données, cette suite logicielle fournit les fondations solides nécessaires à l'analyse et au traitement de données massives. En intégrant des bibliothèques de visualisation telles que Matplotlib et des fonctionnalités avancées de SciPy pour l'analyse scientifique, cette collection d'outils offre une solution complète pour le calcul scientifique, l'analyse de données et la création de représentations visuelles interactives, répondant ainsi aux besoins les plus exigeants des développeurs en Python.

Objectifs pédagogiques

  1. Gérer des environnements virtuel Python scientifique

  2. Savoir choisir parmi Numpy, Pandas ou Scipy pour son projet

  3. Analyser les données avec NumPy, Pandas et SciPy

  4. Savoir optimiser ses traitements avec Numpy

  5. Visualiser ses données avec Matplotlib et Pandas.

Formation Python Calcul Scientifique en détail

Programme

Introduction

  • Anaconda, les IDEs, les Jupyter Notebook et la Scipy stack

NumPy

Introduction

  • Pourquoi les tableaux Numpy?

Créer, Manipuler les tableaux NumPy

  • Utiliser les tableaux NumPy

  • Utiliser les masques

  • Charger et sauvegarder vos tableaux

Optimisation et Numpy avancé

  • Opérations optimisées

Masques, filtres, parall´elis´e un traitement.

 

  • Performances

Évaluation des performances d’un script

Comparaisons avec du Python classique

 

Pandas

Introduction

  • Séries (Series)

  • Tableau de données (DataFrame)

 

Opérations simples

  • Lire / exporter des données sous différents formats

  • Indexation et sélection des données

  • Traiter les données manquantes

  • Attribut des données : taille, type, mémoire

  • Changer le type des données

 

Traitement avancé des données

  • Segmenter les données

  • Moyenne glissante

  • Ajouter des dimensions

  • Travailler avec les MultiIndex

  • Travailler avec des chaînes de caractères

  • TimeSeries

  • Gérer le BigData

 

 

 

Matpotlib et Pandas plot

Visualisation Python → Matplotlib

  • Le tracé de graphique :

  • Type de graphique 2D :

  • Lignes

  • Nuage de points

  • Histogrammes

  • Graphique 3D

  • Représenter plusieurs graphiques

  • (Option) Cartographie

  • Personnalisation des graphiques :

  • Représenter plusieurs graphiques

  • Interagir avec les graphiques dans le notebook Jupyter

  • Modifier les graduations et les axes

  • appliqué un style complet : cas de Seaborn

  • Ce que l’on peut sous-traité à Pandas et comment ?

 

Le cas de la visualisation interactive

  • Plotly

  • (Option) Bibliothèque de visualisation cartographique, exemple : Folium

 

SciPy

Introduction

  • Interpolation

  • Calcul d’intégration

  • Ajustement de courbe

  • Équation différentielle

 

 

Ce programme est soumis à modification suivant le niveau des formés Le contenu de ce programme

peut faire l’objet de modification suivant les niveaux, acquis et besoins des apprenants.

Public et pré-requis

Public

  • Ingénieur, Doctorant, Docteur, Développeur, Enseignant ou toutes personnes voulant se former au Calcul scientifique avec Python

Pré-requis

  • Avoir de bonne connaissance en Python, suivre une formation initiation au Python.

  • Connaître la synthaxe, la grammaire, les bonnes pratiques en Python

  • Savoir gérer les différents types : dictionnaire, tuple, set, liste…

  • Connaître la gestion d’erreur, la POO, les fonctions..

Personne en situation de handicap

Pour toutes questions relatives à l’accueil d’un participant présentant un handicap, merci de nous contacter préalablement avant toute inscription

Ingénierie pédagogique

Moyens pédagogiques et techniques

  • Les supports de cours (slides) seront disponibles en ligne et distribués en début de formation (à l'aide d'un lien vers notre outil interne ou d'une version numérisée), puis fournis au format électronique à la fin de la formation
  • Une salle de formation équipée d'une connexion Internet, d'un vidéoprojecteur, paperboard. Ou une salle virtuelle pour les formations à distance (FOAD).
  • Un ordinateur par stagiaire avec un système d'exploitation installé et les outils nécessaires.

Modalités de suivi de l'exécution du programme

  • Durant la formation: alternance d'apports théoriques (30% du cours), d’exercices pratiques et de mise en situation sous forme de travaux pratiques corrigés avec l’expert-formateur
  • En fin de formation: évaluation à chaud sur l'atteinte des objectifs pédagogiques sous forme de tour de table et de test de connaissances, d'exercices, de QCM

Moyens d'encadrement

Formation assurée par un expert-formateur Python ayant une expérience significative avec un framework Python

Témoignage

Nos experts

Mickaël Carlos

Mickaël Carlos

Chargé de recherche et développement-Django-python.


Toulouse