NumPy - Matematika v Pythonu - Online kurz

On-line kurz obsahuje lekce využívání knihovny NumPy v Pythonu. Ukážeme si práci s vlastními datovými typy knihovny a vyzkoušíme si rychlost a rozsah matematických operací, které z NumPy dělají velmi oblíbený nástroj pro vědecké výpočty.

Syntax jazyka samozřejmě vychází z angličtiny. Pro pohodlnější výuku jsou však naše Python tutoriály kompletně v češtině.

Na konci každého tematického bloku jsou vědomostní kvízy, kde si můžeš vyzkoušet všechny získané znalosti z každého Python tutoriálu. Po absolvování kurzu získáš certifikát.

28 interaktivních lekcí

8 vědomostních testů

Certifikát absolventa

Co tě Python tutoriály naučí?

Budeš umět upravovat datasety v Pythonu a pracovat s nimi pomocí různých technologií. Moderní kurz nabitý praktickými příklady ti dá solidní znalosti datové vrstvy pro cestu za platem až 160.000 Kč.

Výstup s názvy booleovských masek
Dokument 1 obsahuje termíny: kočka, strom
Dokument 2 obsahuje termíny: pes, louka
Dokument 3 obsahuje termíny: kočka, pes, hrají
kočka AND pes: [0 0 1]
Dokumenty obsahující 'kočka AND pes': ['Dokument 3']
kočka OR pes: [1 1 1]
Dokumenty obsahující 'kočka OR pes': ['Dokument 1', 'Dokument 2', 'Dokument 3']
NOT kočka: [0 1 0]
Dokumenty neobsahující 'kočka': ['Dokument 2']

Srovnání rychlosti
Vektorizovaná filtrace je přibližně 9.50krát rychlejší než iterativní filtrace.
Vektorizovaná filtrace je přibližně 18.04krát rychlejší než filtrace pomocí map().

Python tutoriál ti nejprve knihovnu NumPy představí. Naučíš se používat speciální datové typy, které jsou pro knihovnu unikátní. Pokračovat budeš výrazným rozšířením práce se seznamy, na které je knihovna zaměřená, např. změnou tvaru seznamu, jeho rozdělením a spojením.

Naučíš se využívat extrémně rychlé a efektivní třídění a prohledávání seznamů, včetně vysvětlení toho, jak tyto funkce NumPy pracují. K Data Science a statistice se dostaneš prostřednictvím lekcí k pravděpodobnosti a pokročilých matematických funkcí. Naučíš se také používat vestavěné a vytvářet vlastní efektivní funkce pro operace nad seznamy.

Dále se pak dostaneme k broadcastingu, _like() funkcím a permutacím. Poznáš jak efektivně vybírat data pomocí slicingu i výhodnost použití pohledů na původní data místo kopií dat.

Naučíš efektivně filtrovat data. Na závěr si zkusíme data importovat a uložit.