headerFribourgLong

Calcul scientifique en Python avec SciPy

DERNIERE EDITION: Vendredi, 1er février 2019

Ce tutoriel est destiné à celles et ceux qui souhaitent utiliser le langage Python pour des simulations numériques et analyses de données. Nous présentons en détail les librairies NumPy et SciPy, qui forment le noyau computationnel de Python pour le calcul scientifique.

Le tutoriel est donné en anglais (questions en français possibles) par Dr. Robert Cimrman et Prof. Ales Janka.

Le paquetage NumPy ajoute au langage Python la structure des données des tableaux n-dimensionnels, ce qui permet une exécution rapide des calculs et simulations numériques en utilisant la vectorisation. Bâtie sur NumPy, SciPy est une collection d’algorithmes numériques spécifiques aux domaines d’application (tel que l’analyse des données, optimisation numérique, algèbre linéaire avancée, équations différentielles..).

Objectifs

A la fin du cours, vous:

  • aurez une bonne connaissance de la librairie  NumPy (manipulation des structures de données basiques). Vous aurez un aperçu global de la fonctionnalité du paquetage SciPy.
  • saurez comment utiliser Matplotlib pour la  visualisation des données,
  • serez familier-e avec les “best practices” pour l’intégration efficace des librairies NumPy et Scipy dans des codes Python pour la résolution de tâches typiques en calcul numérique (lecture des données, traitement numérique, visualisation, écriture des résultats, création des rapports).
  • gagnerez de l’expérience de programmation dans IPython shell,
  • saurez utiliser Jupyter notebook.

Contenu

  • Introduction aux paquetages NumPy et SciPy.
  • Manipulation des tableaux (vecteurs, matrices) dans NumPy.
  • Opérations et fonctions de base:
    • Fichiers de I/O (scipy.io)
    • Intégration numérique
    • Optimisation
    • Interpolation
    • Transformée de Fourier et traitement de signal
    • Algèbre linéaire (systèmes d’équations linéaires, problèmes aux valeurs propres)
    • Matrices creuses, graphes et maillages
  • Visualisation avec Matplotlib

Ressources en ligne

Une compilation des ressources (lecture notes, Jupyter notebook exercises, cheat sheats, etc.) est
ici

Les participant-e-s se muniront d’un ordinateur portable pour utiliser le logiciel (nous contacter svp si ce n’est pas possible).

Le nombre de participant-e-s est limité à 18.

Le coût de la journée de formation est 500 CHF / 400 CHF pour les membres de Swiss Engineering-section Fribourg

Inscriptions :

Mathématiques à votre service