Python NumPy

Inleiding cursus Python NumPy

In de cursus Python NumPy leren deelnemers hoe ze de krachtige NumPy-bibliotheek kunnen gebruiken voor numerieke berekeningen en data-analyse. Deze cursus biedt een diepgaand overzicht van NumPy en de bijbehorende bibliotheek SciPy, met praktische voorbeelden en toepassingen. We beginnen met de installatie van deze bibliotheken en hoe ze geïntegreerd kunnen worden in je Python-projecten.

Overzicht NumPy en SciPy

De cursus start met een overzicht van NumPy en de zuster library SciPy en hoe we deze libraries kunnen installeren. Dit legt de basis voor de verdere inhoud van de opleiding en helpt deelnemers vertrouwd te raken met de tools die ze zullen gebruiken.

NumPy ndarray

Vervolgens wordt het NumPy's ndarray object en zijn methodes besproken. Aandacht wordt besteed aan de verschillende array manipulatie technieken. Deze methoden zijn in staat grote datasets zeer efficiënt te verwerken, wat essentieel is voor dataverwerking en analyse in Python.

Matrix Handling in cursus Python NumPy

In deze cursus Python NumPy wordt ook het omgaan met matrices met NumPy behandeld. Er wordt aandacht besteed aan speciale routines voor ordening, searching en het vergelijken van data in matrices. Dit zijn cruciale vaardigheden voor het werken met complexe datasets.

MatPlotLib

Tenslotte wordt de MatPlotlib library besproken. Deze library is nauw geïntegreerd met NumPy en SciPy, wat het een zeer krachtig instrument maakt voor het creëren en plotten van complexe figuren. De cursus maakt gebruik van voorbeelden uit de praktijk en laat zien hoe één- en twee-dimensionale data kunnen worden gevisualiseerd. Voor meer informatie over Matplotlib kun je de officiële documentatie bekijken op Matplotlib.org.
Ben je geïnteresseerd in verdere verdieping? Bekijk dan ook onze cursus Python Programmeren voor een breder begrip van de programmeertaal.

Doelgroep Cursus Python NumPy

De cursus Python NumPy is bestemd voor wetenschappers en Big Data analisten die Python met NumPy en MatPlotlib willen gebruiken voor data analyse en data processing.

Voorkennis Cursus Python NumPy

Om aan deze cursus te kunnen deelnemen is voorafgaande kennis van Python noodzakelijk. Kennis van numerieke methoden is bevorderlijk voor de begripsvorming.

Uitvoering Training Python NumPy

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 Python NumPy

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

Modules

Module 1 : Numpy Intro

• What is NumPy?
• What is SciPy?
• Installing NumPy
• NumPy array object
• Selecting elements
• NumPy numerical types
• Data type objects
• dtype constructors
• dtype attributes
• Onedimensional slicing and indexing
• Multidimensional slicing and indexing
• Array comparisons
• any(),all(), slicing, reshape()
• Manipulating array shapes
• Stacking and Splitting arrays
• Converting arrays

Module 2 : Common Functions

• Methods of ndarray
• Clipping arrays
• Compressing arrays
• Views versus copies
• ravel(),flatten(),transpose()
• Missing values
• Handling NaNs
• nanmean(), nanvar() and nanstd()
• File I/O
• Loading from CSV files
• mean() function
• Value range
• Dates
• Correlation
• Smoothing
• full() and full_like() functions

Module 3 : Matrices

• Working with Matrices
• ufuncs
• Creating matrices
• Universal functions
• Arithmetic functions
• Modulo operation
• Fibonacci numbers
• Bitwise functions
• Comparison functions
• Fancy indexing
• at() method
• Inverting matrices
• Finding eigenvalues
• Singular value decomposition
• Pseudo inverse
• Determinants

Module 4 : Special Routines

• Sorting
• partition() function
• Complex numbers
• Searching
• Array elements extraction
• Assert functions
• Almost equal arrays
• Equal arrays
• Ordering arrays
• Object comparison
• String comparison
• Floating point comparisons
• Unit tests

Module 5 : Plotting with MathplotLib

• Simple plots
• Plot format string
• Subplots
• Histograms
• Logarithmic plots
• Scatter plots
• Fill between
• Legend and annotations
• Threedimensional plots
• Contour Plots
• Transformations
• Animation
• Projections