Scientific Python

Cursus Scientific Python

In de cursus Scientific Python leer je hoe je krachtige wetenschappelijke berekeningen kunt uitvoeren met behulp van Python. Deze cursus biedt een gedetailleerd overzicht van verschillende technieken en toepassingen die essentieel zijn voor wetenschappers en data-analyseprofessionals.

Matrices in de Wetenschap

De cursus start met een overzicht van de rol van matrices om problemen in wetenschappelijke berekeningen op te lossen. Matrices zijn cruciaal voor het begrijpen van complexe data en worden veelvuldig toegepast in diverse wetenschappelijke disciplines.

Matrix Manipulatie

Vervolgens wordt ingegaan op elementaire manipulatie en operaties op matrices, gevolgd door factorisaties van matrixvergelijkingen en de berekening van eigenwaarden en eigenvectoren. Deze vaardigheden zijn essentieel voor het werken met geavanceerde wiskundige modellen.

Interpolatie en Approximatie

Ook interpolatie en approximatie worden behandeld, waarbij geavanceerde technieken voor het benaderen van functies en hun toepassingen in wetenschappelijke berekeningen worden besproken. Dit helpt bij het analyseren van data en het maken van voorspellingen op basis van bestaande gegevens.

Differentiatie en Integratie

Differentiatie technieken voor het bepalen van de afgeleiden van functies worden besproken, evenals integratietechnieken die laten zien hoe oppervlakken en volumes effectief berekend kunnen worden. Deze concepten zijn fundamenteel voor wiskundige analyses in de wetenschap.

Computational Geometry

De module Computational Geometry geeft een overzicht van de belangrijkste algoritmes in deze tak van de informatica. Dit onderdeel is belangrijk voor het oplossen van geometrische problemen die vaak voorkomen in wetenschappelijk onderzoek.

Statistiek en Data Mining

En tot slot wordt aandacht besteed aan statistiek, machine learning en data mining. Deze onderwerpen zijn cruciaal voor het interpreteren en analyseren van grote datasets in de moderne wetenschap. Voor meer informatie over Python en zijn toepassingen kun je de officiële Python documentatie bekijken op python.org. Voor verdere verdieping in Python-programmering, kun je ook onze cursus Python Programmeren volgen.

Doelgroep Cursus Scientific Python

Wetenschappers, wiskundigen, ingenieurs en anderen die de SciPy Python library willen gebruiken bij applicaties en data analyses.

Voorkennis Python programmeren

Kennis van Python programmeren en de NumPy library is vereist. Enige kennis van numerieke methoden in de wetenschappelijke informatica is bevorderlijk voor de begripsvorming.

Uitvoering Training

De theorie wordt behandeld aan de hand van presentatie slides. De concepten worden toegelicht met demo's. De theorie wordt afgewisseld met oefeningen. De cursustijden zijn van 9.30 tot 16.30.

Officieel Certificaat

De deelnemers krijgen na het goed doorlopen van de cursus een officieel certificaat Scientific Python.

Modules

Module 1 : SciPy Intro

• What is SciPy
• Installing SciPy stack
• Anaconda distribution
• Constructing matrices
• Using ndarray class
• Using matrix class
• Sparse matrices
• Linear operators
• Scalar multiplication
• Matrix addition
• Matrix multiplication
• Traces and determinants
• Transposes and inverses

Module 2 : Matrix Calculations

• Singular value decomposition
• Matrix equations
• Least squares
• Spectral decomposition
• Interpolations
• Univariate interpolation
• Nearest-neighbors interpolation
• Other interpolations
• Differentiation and Integration
• Numerical differentiation
• Symbolic differentiation
• Symbolic integration
• Numerical integration

Module 3 : Nonlinear Equations

• Non-linear equations and systems
• Iterative methods
• Bracketing methods
• Secant methods
• Brent method
• Simple iterative solvers
• The Broyden method
• Powell's hybrid solver
• Large-scale solvers
• Optimization
• Unconstrained optimization
• Constrained optimization
• Stochastic methods

Module 4 : Computational Geometry

• Plane geometry
• Static problems
• Convex hulls
• Voronoi diagrams
• Triangulations
• Shortest paths
• Geometric query problems
• Point location
• Nearest neighbors
• Range searching
• Dynamic problems
• Bézier curves

Module 5 : Descriptive Statistics

• Probability
• Symbolic setting
• Numerical setting
• Data exploration
• Picturing distributions
• Bar plots
• Pie charts
• Histograms
• Time plots
• Scatterplots and correlation
• Regression
• Analysis of the time series

Module 6 : Inference and Data Analysis

• Statistical inference
• Estimation of parameters
• Bayesian approach
• Likelihood approach
• Interval estimation
• Frequentist approach
• Bayesian approach
• Likelihood approach
• Data mining
• Machine learning
• Trees and Naive Bayes
• Gaussian mixture models

Module 7 : Mathematical Imaging

• Digital images
• Binary
• Gray-scale
• Color
• Alpha channels
• Smoothing filters
• Multivariate calculus
• Statistical filters
• Fourier analysis
• Wavelet decompositions
• Image compression
• Image editing
• Rescale and resize
• Swirl
• Image restoration
• Noise reduction