Python: Numpy

Polish

  1. Biblioteki używane w analizie numerycznej i Data Science:

    • SciPy: wprowadzenie do ekosystemu narzędzi

    • Jupyter: instalacja, uruchamianie, korzystanie, LaTeX, zaawansowane opcje

    • Markdown: krótkie wprowadzenie do składni i możliwości

  2. Zagadnienia wydajnościowe:

    • Micro-benchmarking

    • Złożoność obliczeniowa i pamięciowa

    • Pamięć: Architektura RAM, kopiowanie i referencje

    • Techniki pracy z danymi większymi niż ilość RAMu

    • Generatory i Iteratory

    • Triki zwiększające wydajność

    • Skalowalność: X-Array, Dask

3: NumPy i analiza numeryczna:

  • Typy wbudowane i stałe: array, poly1d, nan, inf

  • Import i export danych, serializacja, łączenie, obsługiwane formaty, pliki binarne i tekstowe

  • Definiowanie tablic: tworzenie, generowanie, opis typu

  • Pseudolosowość: Problematyka, ziarno, sampling, tasowanie

  • Atrybuty tablic: typy danych, kształt, wielkość, rozmiar danych, osie

  • Wybieranie i iteracja: indeksacja, wycinanie, fancy indexing

  • Operacje na danych: operacje zwektoryzowane, funkcje uniwersalne, zmiana wymiarów, spłaszczanie

  • Manipulacja danymi: zaokrąglanie, przycinanie, wstawianie, wypełnianie, transpozycja, sortowanie

  • Arytmetyka: operacje arytmetyczne i macierzowe, wyznaczniki

  • Statystyka: ekstrema, wariancja, odchylenie standardowe, średnie, mody, kowariancje, korelacje

  • Logika: operatory, wybieranie, maski, where

  • Trygonometria: funkcje, konwersje, stałe

  • Wielomiany: współczynniki, miejsca zerowe, pierwiastki, dopasowanie wielomianów, arytmetyka, pochodne, całki