sergioarnaud / python_ciencias_aplicadas

Curso introductorio de Python para ciencias aplicadas para el ITAM.

Python para ciencias aplicadas

Un curso introductorio a Python para ciencias aplicadas. En cuatro sesiones veremos los básicos de python como lenguaje de programación, cómputo numérico, ciencia de datos y algo de ambientes y flujos de trabajo.

El curso está pensado para personas que han utilizado R o MATLAB anteriormente y quieren migrar a (o aprender) python.

Tema 1: Python 101

Tiempo estimado: una sesión

• Básicos
  • Asignación de variables.
  • Condicionales.
  • Ciclos.
  • print
• Listas, diccionarios y comprensión.
• Funciones.
  • Definir funciones
  • Funciones anónimas
  • Funciones de orden superior
  • Decoradores
  • *args y **kwargs
• Excepciones
  • try/ except
  • with
• Módulos y paquetes

Tema 2: Python para cómputo científico

​ Tiempo estimado: una sesión

• Vectorización para reducir tiempos de ejecución.
• NumPy
  • Arreglos
  • Funciones básicas (sort, unique, argmin, arange)
  • Aritmética de arreglos
• SciPy
  • linalg
    • Operaciones básicas.
    • Problemas espectrales.
    • Descomposiciones.
  • integrate y optimize (opcional)
    • Diferencias finitas
    • Integración
    • Encontrar raíces
• Diferenciación (opcional)
  • SymPy
  • Numdifftools
• Matplotlib
  • Gráficas básicas de la forma $f(x)$
  • Gráficas en tres dimensiones
  • subplots, fig, ax
• Numba (opcional)

Tema 3: Python para ciencia de datos

​ Tiempo estimado: una sesión y media

• Pandas
  • Dataframes
  • Índices y multiíndices
  • Series
  • loc y query
  • Gráficas desde pandas
  • Queries tipo SQL
    • merge
    • groupby
    • agg
• Seaborn
  • Histogramas
  • Categorical plots
  • Pairplots
• SciPy
  • stats
    • Distribuciones (explicar parametrización)
    • fit
    • rvs
• StatsModels (opcional)
  • Series de tiempo
  • GLMs
• PyMC3 (opcional) (mencionar su existencia y link al repo de BMH)
• Scikit-Learn
  • La necesidad de una especificación consistente de ML
  • fit/predict/transform
  • Herramientas para selección de modelos
    • train/test split
    • Cross-Valdiation
    • GridSearch y BayesSearchCV
  • Ejemplo más o menos detallado (nivel aplicada 2/3).

Tema 4: Ambientes de trabajo

​ Tiempo estimado: media sesión

• Introducción conceptual a conda, git y jupyter.
• Instalación.
  • Python
  • Conda
• Comandos básicos de Unix: cp, mv, mkdir, rm.
• Conda
  • Crear ambientes
  • Instalar paquetería.
• Jupyter