Curso de Python Científico

En este repositorio se encuentra el material del curso de Python Cientifico impartido por estudiantes de CS de la Universidad Nacional de Ingeniería.

Para ver los notebooks: Haga click sobre los notebooks que se encuentran debajo para observarlos en (http://nbviewer.jupyter.org/)

También puede interactuar con los notebooks de manera online usando el siguiente enlance:

https://mybinder.org/v2/gh/gersongams/CursoPython/master

¿Cómo usar este material?

Lee la guía de instalación.

• Clonar o descargar este material

git clone https://github.com/gersongams/CursoPython

• Abrir los notebooks desde consola usando el comando:

cd CursoPython/
jupyter notebook

Esto abrirá una nueva página en tu navegador con los notebooks disponibles.

Temario

Python Básico

• 00. Instalación e Introducción
• 01. Python - Sintaxis
• 02. Estructuras de control y Bucles
• 03. Colecciones
• 04. Funciones
• 05. Programación Orientada a Objetos
• 06. Archivos & Manejo de Excepciones
• 07. Expresiones Regulares

Python Científico

• 8. Numpy
• 9. Matplotlib
• 10. Sympy
• 11. Pandas
• 12. Scipy
• 13. Scikit-Learn

Lista de librerías usadas en el curso:

• NumPy, es la biblioteca natural para python numérico. La característica más potente de NumPy es la matriz n-dimensional. Esta biblioteca contiene funciones básicas de álgebra lineal, transformadas de Fourier, capacidades avanzadas de números aleatorios y herramientas para la integración con otros lenguajes de bajo nivel como Fortran, C y C ++.

• SciPy es la biblioeteca para python científico. SciPy se basa en NumPy y es una de las bibliotecas más útiles por la variedad de módulos de ciencia y ingeniería de alto nivel con la que cuenta, como la transformada discreta de Fourier, álgebra lineal, optimización, matrices dispersas, etc.

• Pandas es una librería para operaciones y manipulaciones de datos estructurados. Pandas ha sido añadido recientemente a Python y han sido fundamental para impulsar el uso de Python en la ciencia de datos.

• Matplotlib es una librería de Python para crear una gran variedad de gráficos, a partir de histogramas, lineas, etc, usando si es necesario comandos de látex para agregar matemáticas a los gráficos.

• Seaborn es una libreria para la visualización de datos estadísticos. Seaborn es una biblioteca para hacer atractivos e informativos los gráficos estadísticos en Python. Se basa en matplotlib. Seaborn pretende hacer de la visualización una parte central de la exploración y la comprensión de los datos.

• SymPy es una biblioteca para la computación simbólica. Tiene amplias capacidades desde la aritmética simbólica básica hasta el cálculo, el álgebra, la matemática discreta y la física cuántica. Otra característica útil es la capacidad de formatear el resultado de los cálculos como código LaTeX.

• Scikit-learn, es tal vez la mejor biblioteca para Machine Learning, construida sobre NumPy, SciPy y Matplotlib, esta biblioteca contiene una gran cantidad de herramientas eficientes para el Machine Learning y el modelado estadístico incluyendo clasificación, regresión, agrupación y reducción de la dimensionalidad.

¿Cómo colaborar?

Si deseas, puedes colaborar añadiendo algunos ejemplos, problemas, etc. Para ello debes:

• Hacer un fork de este proyecto
• Hacer un pull request a este repositorio

Autor

• @gersongams

Referencias

• https://docs.python.org/3.6/tutorial/
• Sweigart, A. (2015). Automate the Boring Stuff with Python: Practical Programming for Total Beginners. No Starch Press.
• Matthes, E. (2015). Python Crash Course: A Hands-on, Project-based Introduction to Programming. No Starch Press.
• https://github.com/Kyubyong/numpy_exercises
• http://www.labri.fr/perso/nrougier/teaching/numpy/numpy.html
• https://github.com/jrjohansson/scientific-python-lectures
• https://stanford.edu/~arbenson/cme193.html