Formation Python avancé pour le calcul scientifique

Jour 1

Partie 1 - Éléments avancés du langage Python

Éléments avancés du langage Python

Éléments de programmation avancée avec les fonctions :
- Les fonctions anonymes
- Fonction dans une fonction
- Les décorateurs
- Comment se servir des décorateurs pour augmenter la vitesse d'exécution du code Python ?
Utilité et exemple d'application
Comment ça fonctionne ?

Mise en oeuvre et exercices guidés

Choix d'une partie facultative selon la demande et le rythme d'avancement.
On complète cette première journée avec des éléments avancés de la librairie Pandas ou des points avancés du langage Python.

Partie facultative du programme Python

Traitement des dates et des heures en Python
Les ensembles et collections :
- Opérateur 'splat'
- Appel étendu et nombre infini d'arguments dans un appel de fonction

Partie facultative du programme Pandas

Brefs éléments de rappels de la librairie Pandas
Multi-index avec Pandas
Fusion de DataFrame
Regroupement (groupby, split, apply, combine)

Exercices guidés reprenant les notions sur des jeux de données réels

Jour 2

Partie 2 - Mise en oeuvre du langage Python : les librairies scientifiques avancées

Comment aller au-delà des bibliothèques scientifiques de base que sont Matplotlib, Scipy et Numpy ?

Des exercices sur des data-sets permettent d'explorer quelques librairies scientifiques avancées de détection et de prédictions

Pattern Mining

Comment utiliser Python pour détecter des pattern fréquents et des motifs cachés dans des données bruitées de très grandes dimensions ?
- Recherche optimisée de séquences cibles dans une bibliothèque de séquences
- Classification de série temporelles
- Détection d'anomalies et prédictions

Exercice guidé : application sur des séries temporelles et des data-set réels et bruités

Comment réaliser des prédictions dynamiques sur des séries temporelles ?

Panorama de librairies spécialisées  
Comment appliquer les méthodes de prédictions bayésiennes avec Python ?
Aller plus loin. Pistes afin de réaliser des prédictions sur des données dynamiques (online prediction) ?

Exercice guidé autour d'un data-set réel

Jour 3

Partie 3 - Accélérer les calculs avec Python

Panorama de quelques librairies qui permettent de combler l'écart entre Python et les langages compilés type C/C++
Comment accélérer le traitement de ses dataframes Pandas afin d'économiser plusieurs ordres de grandeur de temps de calcul ?
Quelles librairies pour déporter ses calculs sur carte graphique GPU sans modifier son code ?

Exercice guidé avec Dask

Partie 4 - Datavisualisation avancée avec Python

Rappel et panorama des bibliothèques de visualisation (Matplotlib, Seaborn)
Comment aller au-delà des bibliothèques standard ?
Bref panorama de quelques bibliothèques avancées :
- graphiques sur des données de flux (streaming)
- graphiques interactifs
- graphiques sur des données massives (Big Data) difficilement représentables avec les outils standards
Comment représenter graphiquement les données de grandes dimensions ?  
Méthodes avancées de projection pour les données de grandes dimensions

Partie 5 - Exercice libre sur un exemple choisi afin d'utiliser les notions acquises pendant la formation