Seminar »Datenverarbeitung mit NumPy« vom 17. bis 18. Mai 2017
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 | Veit Schiele |
Kontakttelefon | +49 30 8185667-1 |
Termin übernehmen | ![]() ![]() |



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 1 | Tag 2 |
---|---|
Einführung in NumPy | Broadcasting |
Funktionen / ufuncs | Optimierung mit NumPy |
Indizierung | Die Bibliothek Scipy |
Typische Anwendungen | weitere 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