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
Gérer des environnements virtuel Python scientifique
Savoir choisir parmi Numpy, Pandas ou Scipy pour son projet
Analyser les données avec NumPy, Pandas et SciPy
Savoir optimiser ses traitements avec Numpy
Visualiser ses données avec Matplotlib et Pandas.
Formation Python Calcul Scientifique
en détail
Programme
1. Introduction
Anaconda, les IDEs, les Jupyter Notebook et la Scipy stack
2. 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 et filtres pour parallélisé un traitement.
Performances
Évaluation des performances d’un script
Comparaisons avec du Python classique
3. 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
4. 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, un exemple avec Folium
5. 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
Nos experts
Mickaël Carlos
Chargé de recherche et développement-Django-python.
Toulouse
Demander des informations sur la formation Formation Python Calcul Scientifique