Accueil / Formations / Initiation au Python scientifique

Initiation au Python scientifique

Python est actuellement l'un des seuls langages à proposer un environnement complet dédié à la recherche scientifique. Cette formation propose une initiation aux enjeux et techniques principaux du calcul numérique. Elle s'achève par trois applications autour de thématiques emblématiques : l'analyse statistique de donnée, l'apprentissage non-supervisé, le deep-learning

Objectifs

  • Connaître les principaux outils, distributions et bibliothèques scientifique en Python
  • Manipuler d'important jeux de données
  • Produire une visualisation pertinente de ces données pour en extraire de l'information 
  • Découvrir les techniques de base du calcul numérique

Programme

Partie I : rappel sur le langage Python

Cette partie comprend quelques rappels sur le langage Python. Nous traiterons :

  • les types de données (nombre, chaîne de caractères, liste, dictionnaire, tuple)
  • les structures de contrôles
  • les fonctions
  • les packages et modules

Nous en profiterons pour évoquer quelques limites du Python pour le calcul numérique avec notamment :

  • les problèmes liés au stockage en mémoire 
  • les problèmes d'erreurs numériques

Partie II : Ecosystème

Cette partie présente l'écosystème python pour le scientifique. Nous passerons en revue les différentes bibliothèques scientifiques en python, leur domaine d'utilisation et comment elles permettent de contourner les limites du Python exposé dans la partie I.

Nous installerons Anaconda, l'une des distributions les plus utilisées pour l'analyse scientifique de données. Nous verrons comment utiliser son éditeur, Jupiter Notebook ainsi que son gestionnaire de package, Conda.

Partie III : Chargement et manipulation des données

Nous verrons comment les bibliothèques Numpy et Panda permettent de charger d'important jeu de données. Nous regarderons comment accéder de manière efficace et intuitive à ces données.

Partie IV : Visualisation des résultats

Au travers des bibliothèques Matplotlib et Seaborn, nous expérimenterons quelques techniques de visualisation des données. Nous verrons comment tirer quelques conclusions à partir de simples observations.

Partie V : Premier pas dans le python scientifique

À l'aide des bibliothèques Scypy et TensorFlow nous étudierons et mettrons en pratique, quelques techniques de calcul numérique :

  • analyse statistique et calcul des moments d'une variable aléatoire 
  • partitionnement automatique des données avec l'algorithme des k-moyennes
  • deep-learning et réseaux de neuronaux

Chacune de ces applications sera l'occasion de mettre à nouveau en pratique les concepts étudiés dans les partie III et IV.

 

Sessions (Toulouse, Nantes, Paris)

  • du 05 au 07 juin
    Paris, Toulouse, Nantes

Nous contacter

Public

  • Toute personne travaillant dans des secteurs ayant de forts besoins en calculs et simulations mathématiques
  • Informaticiens, scientifiques, chercheurs et ingénieurs travaillant dans les domaines comme les sciences physiques, la chimie, les sciences des matériaux, la génétique, la mécanique des fluides, l'aérospatiale, les statistiques, le monde de la finance, etc...

Pré-requis

  • Expérience en programmation, de préférence en python

Durée

3 jour(s) soit 21 heures

Prix

1500 € par personne

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...

  • 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 (35% du cours) et 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 Python connaissant les librairies scientifiques