En este repositorio se encuentra el material del curso de Python Cientifico impartido por estudiantes de CS de la Universidad Nacional de Ingeniería.

Para ver los notebooks: Haga click sobre los notebooks que se encuentran debajo para observarlos en (http://nbviewer.jupyter.org/)

También puede interactuar con los notebooks de manera online usando el siguiente enlance:

https://mybinder.org/v2/gh/gersongams/CursoPython/master

Lee la guía de instalación.

• Clonar o descargar este material

git clone https://github.com/gersongams/CursoPython

• Abrir los notebooks desde consola usando el comando:

cd CursoPython/
jupyter notebook

Esto abrirá una nueva página en tu navegador con los notebooks disponibles.

• 00. Instalación e Introducción
• 01. Python - Sintaxis
• 02. Estructuras de control y Bucles
• 03. Colecciones
• 04. Funciones
• 05. Programación Orientada a Objetos
• 06. Archivos & Manejo de Excepciones
• 07. Expresiones Regulares

• 8. Numpy
• 9. Matplotlib
• 10. Sympy
• 11. Pandas
• 12. Scipy
• 13. Scikit-Learn

• NumPy, es la biblioteca natural para python numérico. La característica más potente de NumPy es la matriz n-dimensional. Esta biblioteca contiene funciones básicas de álgebra lineal, transformadas de Fourier, capacidades avanzadas de números aleatorios y herramientas para la integración con otros lenguajes de bajo nivel como Fortran, C y C ++.

• SciPy es la biblioeteca para python científico. SciPy se basa en NumPy y es una de las bibliotecas más útiles por la variedad de módulos de ciencia y ingeniería de alto nivel con la que cuenta, como la transformada discreta de Fourier, álgebra lineal, optimización, matrices dispersas, etc.

• Pandas es una librería para operaciones y manipulaciones de datos estructurados. Pandas ha sido añadido recientemente a Python y han sido fundamental para impulsar el uso de Python en la ciencia de datos.

• Matplotlib es una librería de Python para crear una gran variedad de gráficos, a partir de histogramas, lineas, etc, usando si es necesario comandos de látex para agregar matemáticas a los gráficos.

• Seaborn es una libreria para la visualización de datos estadísticos. Seaborn es una biblioteca para hacer atractivos e informativos los gráficos estadísticos en Python. Se basa en matplotlib. Seaborn pretende hacer de la visualización una parte central de la exploración y la comprensión de los datos.

• SymPy es una biblioteca para la computación simbólica. Tiene amplias capacidades desde la aritmética simbólica básica hasta el cálculo, el álgebra, la matemática discreta y la física cuántica. Otra característica útil es la capacidad de formatear el resultado de los cálculos como código LaTeX.

• Scikit-learn, es tal vez la mejor biblioteca para Machine Learning, construida sobre NumPy, SciPy y Matplotlib, esta biblioteca contiene una gran cantidad de herramientas eficientes para el Machine Learning y el modelado estadístico incluyendo clasificación, regresión, agrupación y reducción de la dimensionalidad.

Si deseas, puedes colaborar añadiendo algunos ejemplos, problemas, etc. Para ello debes:

• Hacer un fork de este proyecto
• Hacer un pull request a este repositorio

• @gersongams

• https://docs.python.org/3.6/tutorial/
• Sweigart, A. (2015). Automate the Boring Stuff with Python: Practical Programming for Total Beginners. No Starch Press.
• Matthes, E. (2015). Python Crash Course: A Hands-on, Project-based Introduction to Programming. No Starch Press.
• https://github.com/Kyubyong/numpy_exercises
• http://www.labri.fr/perso/nrougier/teaching/numpy/numpy.html
• https://github.com/jrjohansson/scientific-python-lectures
• https://stanford.edu/~arbenson/cme193.html