- Leren door doen
- Trainers met praktijkervaring
- Klassikale trainingen
- Gedetailleerd cursusmateriaal
- Duidelijke inhoudsbeschrijving
- Maatwerk inhoud mogelijk
- Trainingen die doorgaan
- Kleine groepen
In deze cursus leren de deelnemers wat kan worden gedaan met de Python SciPy library voor wetenschappelijke berekeningen.
De cursus start met een overzicht van de rol van matrices om problemen in wetenschappelijke berekeningen te lossen.
Vervolgens wordt ingegaan op elementaire manipulatie en operaties op matrices, gevolgd door factorisaties van matrix vergelijkingen en de berekening van eigenwaarden en eigenvectoren.
Ook interpolatie en approximatie worden behandeld, waarbij geavanceerde technieken bij approximatie functies en hun toepassingen in wetenschappelijke berekeningen worden besproken.
Differentiatie technieken voor het bepalen van de afgeleides van functies worden besproken evenals integratie technieken die laten zien hoe oppervlaktes en volumes effectief berekend kunnen worden.
De module Computational Geometry geeft een overzicht van de belangrijkste algoritmes in deze tak van de informatica.
En tot slot wordt aandacht besteed aan statistiek, machine learning en data mining.
Wetenschappers, wiskundigen, ingenieurs en anderen die de SciPy Python library willen gebruiken bij applicaties en data analyses.
Kennis van Python programmeren en de NumPy library is vereist. Enige kennis van numerieke methoden in de wetenschappelijke informatica is bevorderlijk voor de begripsvorming.
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.
De deelnemers krijgen na het goed doorlopen van de cursus een officieel certificaat Scientific Python.
Module 1 : SciPy Intro |
Module 2 : Matrix Calculations |
Module 3 : Nonlinear Equations |
| 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 |
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 |
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 |
Module 5 : Descriptive Statistics |
Module 6 : Inference and Data Analysis |
| Plane geometry Static problems Convex hulls Voronoi diagrams Triangulations Shortest paths Geometric query problems Point location Nearest neighbors Range searching Dynamic problems Bézier curves |
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 |
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 |
Deze bedrijven en instanties waren u al voor:
Deze bedrijven waren u voor:
