Veit Schiele Communications

Veit Schiele Communications
StartseiteDienstleistungenSchulungenSeminarkalenderSeminar »Datenverarbeitung mit NumPy« vom 17. bis 18. Mai 2017

Seminar »Datenverarbeitung mit NumPy« vom 17. bis 18. Mai 2017

Nach diesem Kurs können Sie numerischer Daten mit NumPy verarbeiten.
erstellt von Veit Schielezuletzt verändert: 13.07.2017 14:15
Wann 17.05.2017 um 09:00 bis
18.05.2017 um 17:00
Wo Veit Schiele Communications GmbH, Mansteinstr. 7, D-10783 Berlin
Name
Kontakttelefon +49 30 8185667-1
Termin übernehmenvCal
iCal
../../images/numpy.png/image_mini../../images/heatmap.png/image_mini../../images/histogramm.png/image_mini

Voraussetzungen

Grundkenntnisse in Python

Zielgruppe

Analysten, Wissenschaftler und Ingenieure, die Berechnungen mit numerischen Daten durchführen möchten.

Kursbeschreibung

NumPy ist die beliebteste Python-Bibliothek zur Verarbeitung numerischer Daten. Sie kombiniert die Benutzerfreundlichkeit von Python mit der Geschwindigkeit einer reinen C-Implementierung. Mit NumPy lassen sich Berechnungen mit großen Datenreihen und Matrizen in wenigen Zeilen Code implementieren. NumPy eignet sich daher hervorragend zur Laufzeitoptimierung von Python-Programmen. Der Kurs gibt eine anschauliche Einführung in die wesentlichen Features von NumPy mit vielen praktischen Beispielen. Als logische Fortsetzung der Grundfunktionalität werden die Möglichkeiten des Pakets Scipy vorgestellt, das zahlreiche mathematische Verfahren zur Anwendung auf NumPy-Datenstrukturen enthält.

Kursdauer

2 Tage

Agenda

Tag 1Tag 2
Einführung in NumPyBroadcasting
Funktionen / ufuncsOptimierung mit NumPy
IndizierungDie Bibliothek Scipy
Typische Anwendungenweitere Bibliotheken

Einführung in NumPy

  • Überblick über den Funktionsumfang von NumPy
  • arrays
  • dtypes
  • reshape
  • Erstellen von arrays
  • Laden/Speichern von Daten

Indizierung

  • Indizierung von arrays
  • Views
  • fancy indexing
  • Sortieren
  • Mengenlogik

Funktionen

  • Eingebaute Funktionen
  • ufuncs
  • Matrizenoperationen
  • Rotation von Koordinaten

Optimierung

  • Eliminieren von Python-Schleifen mit NumPy
  • Spärlich besetzte Matrizen
  • Engpässe mit cProfile finden

Typische Anwendungen

  • Empfehlungssysteme
  • Eigenvektoren
  • Der PageRank Algorithmus
  • ein neuronales Netzwerk in NumPy implementieren

Broadcasting

  • Broadcasting
  • Stacking
  • Raveling

Die Bibliothek Scipy

  • Nullstellen von Funktionen finden
  • Anpassen von Polynomialfunktionen
  • Fourier Transformation
  • Datenvisualisierung

Weitere Bibliotheken

  • pandas
  • Statistiken mit statsmodel
  • maschinelles Lernen mit scikit-learn
  • Lösen linearer Gleichungssysteme mit Pulp und Gurobi
  • Spark
  • Dask