Analiza danych w Pythonie z wykorzystaniem biblioteki NumPy
Czas trwania szkolenia:2 dni (16h)
Kod kursu:PYTHON/NUMPY
Poziom zaawansowania:
O szkoleniu Analiza danych w Pythonie z wykorzystaniem biblioteki NumPy
W cenie otrzymasz:
- Materiały szkoleniowe
- Certyfikat ukończenia szkolenia
- W przypadku szkolenia w trybie stacjonarnym zapewnimy Ci również lunch oraz sprzęt niezbędny do nauki
Dla kogo?
- Analityków danych
- Programistów
- Data scientist
- Naukowców i inżynierów
Wymagania
- Znajomość dowolnego języka programowania może znacząco ułatwić przyswajanie materiału
Zalety
- Warsztat prowadzony w oparciu o najnowszą wersję biblioteki Numpy
- Szkolenie Analiza danych w Pythonie z wykorzystaniem biblioteki NumPy wzbogacone jest o komplet materiałów, obejmujących zarówno teorię, jaki i zadania praktyczne
Cele szkolenia
- Nauka wykorzystania biblioteki NumPy w analizie numerycznej danych
- Przegląd bibliotek i środowiska SciPy
Program
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
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
Zagadnienia wydajnościowe
- Micro-benchmarking
- Złożoność obliczeniowa i pamięciowa
- Pamięć: Architektura RAM, kopiowanie i referencje
- Techniki pracy z danymi większymi niż ilość RAMu
- Triki zwiększające wydajność
- Skalowalność: X-Array, Dask