Python Scientific Lecture Notes (Spanish translation)

Descarga

• PDF, 2 páginas por lado
• PDF, 1 página por lado
• HTML y archivos ejemplo
• Código fuente (github)

Este documento

Material didáctico para el ecosistema científico Python, una rápida introducción a las herramientas y técnicas centrales. Cada uno de los diferentes capítulos corresponden a un curso de 1 a 2 horas con el aumento de nivel de experiencia, desde principiantes hasta expertos.

• Autores
• Novedades
• Modificando
• Licencia

---

• 1. Iniciandose en computación científica con Python
  • 1.1. Herramientas y flujo de trabajo para computación científica
    • 1.1.1. Por qué Python?
      • 1.1.1.1. Cuáles son las necesidades de los científicos?
      • 1.1.1.2. Especificaciones
      • 1.1.1.3. Soluciones existentes
    • 1.1.2. Bloques de construcción para Python científico
    • 1.1.3. Flujo de trabajo interactivo: IPython y un editor de textos
      • 1.1.3.1. Interacción con la línea de comandos
      • 1.1.3.2. Elaboración de algoritmos en un editor de textos
      • 1.1.3.3. Consejos y trucos de IPython
  • 1.2. El lenguaje Python
    • 1.2.1. Primeros pasos
    • 1.2.2. Tipos básicos
      • 1.2.2.1. Tipos numéricos
      • 1.2.2.2. Contenedores
        • 1.2.2.2.1. Listas
        • 1.2.2.2.2. Cadenas
        • 1.2.2.2.3. Diccionarios
        • 1.2.2.2.4. Más contenedores de tipos
      • 1.2.2.3. Operador de asignación
    • 1.2.3. Control de flujo
      • 1.2.3.1. if/elif/else
      • 1.2.3.2. for/range
      • 1.2.3.3. while/break/continue
      • 1.2.3.4. Expresiones condicionales
      • 1.2.3.5. Iteración avanzada
        • 1.2.3.5.1. Iterando sobre una secuencia
        • 1.2.3.5.2. Seguimiento de una enumeración
        • 1.2.3.5.3. Bucle sobre un diccionario
      • 1.2.3.6. Listas por comprensión
    • 1.2.4. Definiendo funciones
      • 1.2.4.1. Definiendo una función
      • 1.2.4.2. Sentencia return
      • 1.2.4.3. Parámetros
      • 1.2.4.4. Paso por valor
      • 1.2.4.5. Variables globales
      • 1.2.4.6. Número variable de parámetros
      • 1.2.4.7. Docstrings
      • 1.2.4.8. Las funciones son objectos
      • 1.2.4.9. Métodos
      • 1.2.4.10. Ejercicios
    • 1.2.5. Reusando código: scripts y módulos
      • 1.2.5.1. Scripts
      • 1.2.5.2. Importando objectos desde módulos
      • 1.2.5.3. Creando módulos
      • 1.2.5.4. ‘__main__’ y cargando módulos
      • 1.2.5.5. Scripts o módulos? Cómo organizar su código
        • 1.2.5.5.1. Cómo encontrar módulos e importarlos
      • 1.2.5.6. Paquetes
      • 1.2.5.7. Buenas practicas
    • 1.2.6. Entrada y Salida
      • 1.2.6.1. Iterando sobre un archivo
        • 1.2.6.1.1. Modos de archivo
    • 1.2.7. Biblioteca estándar
      • 1.2.7.1. os módulo: funciones del sistema operativo
        • 1.2.7.1.1. Manipulación de directorios y archivos
        • 1.2.7.1.2. os.path: manipulanado el path
        • 1.2.7.1.3. Ejecutando un comando externo
        • 1.2.7.1.4. Recorrer una carpeta
        • 1.2.7.1.5. Variables de entorno:
      • 1.2.7.2. shutil: Operaciones de alto nivel con archivos
      • 1.2.7.3. glob: Coincidencia de patrones en archivos
      • 1.2.7.4. sys: Información específica del sistema
      • 1.2.7.5. pickle: fácil persistencia
    • 1.2.8. Manejo de excepciones en Python
      • 1.2.8.1. Excepciones
      • 1.2.8.2. Atrapando excepciones
        • 1.2.8.2.1. try/except
        • 1.2.8.2.2. try/finally
        • 1.2.8.2.3. Es más fácil pedir perdón que permiso
      • 1.2.8.3. Agregando excepciones
    • 1.2.9. Programación Orientada a Objetos (POO)
  • 1.3. NumPy: creación y manipulación de datos numéricos
    • 1.3.1. El objeto array numpy
      • 1.3.1.1. Que es Numpy y los array numpy
      • 1.3.1.2. Documentación de referencia
      • 1.3.1.3. Convención para importar
      • 1.3.1.4. Creando arreglos
      • 1.3.1.5. Funciones para crear arreglos
      • 1.3.1.6. Tipos de datos básicos
      • 1.3.1.7. Visualización básica
      • 1.3.1.8. Indexado y segmentado
      • 1.3.1.9. Copias y vistas
      • 1.3.1.10. Indexado fancy
        • 1.3.1.10.1. Usando enmascarado booleano
        • 1.3.1.10.2. Indexado con una arreglo de enteros
    • 1.3.2. Operaciones numéricas con arreglos
      • 1.3.2.1. Operaciones elemento a elemento
      • 1.3.2.2. Reducciones básicas
      • 1.3.2.3. Broadcasting
      • 1.3.2.4. Manipulando las dimensiones de un arreglo
        • 1.3.2.4.1. Aplanado
        • 1.3.2.4.2. Reshaping
        • 1.3.2.4.3. Agregando una dimensión
        • 1.3.2.4.4. Cambiando dimensiones
        • 1.3.2.4.5. Resizing
        • 1.3.2.4.6. Algunos ejemplos del mundo real
      • 1.3.2.5. Ordenando datos
      • 1.3.2.6. Resumen
    • 1.3.3. Arreglos más elaborados
      • 1.3.3.1. Más tipos de datos
        • 1.3.3.1.1. Conversión de tipos
        • 1.3.3.1.2. Tamaños de tipos de datos
      • 1.3.3.2. Tipos de datos estructurados
      • 1.3.3.3. maskedarray: tratando con datos que faltan
    • 1.3.4. Operaciones avanzadas
      • 1.3.4.1. Polinomios
        • 1.3.4.1.1. Más polinomios (con más bases)
      • 1.3.4.2. Cargando archivos de datos
        • 1.3.4.2.1. Archivos de texto
        • 1.3.4.2.2. Imágenes
        • 1.3.4.2.3. Formato propio de Numpy
        • 1.3.4.2.4. Formatos bien conocidos (y más obscuros) de archivo
    • 1.3.5. Some exercises
      • 1.3.5.1. Array manipulations
      • 1.3.5.2. Picture manipulation: Framing Lena
      • 1.3.5.3. Data statistics
      • 1.3.5.4. Crude integral approximations
      • 1.3.5.5. Mandelbrot set
      • 1.3.5.6. Markov chain
  • 1.4. Matplotlib: Gráficas usando pylab
    • 1.4.1. Introducción
      • 1.4.1.1. IPython y el modo pylab
      • 1.4.1.2. pylab
    • 1.4.2. Gráfica simple
      • 1.4.2.1. Valores por defecto
      • 1.4.2.2. Instancias por defecto
      • 1.4.2.3. Cambiar colores y grosor de línea
      • 1.4.2.4. Establecer límites
      • 1.4.2.5. Configurando graduación de ejes
      • 1.4.2.6. Configurando etiquetas graduadas
      • 1.4.2.7. Moviendo spines
      • 1.4.2.8. Agregando una leyenda
      • 1.4.2.9. Anotaciones en puntos
      • 1.4.2.10. Devil is in the details
    • 1.4.3. Figuras, Subplots, Axes y Ticks
      • 1.4.3.1. Figuras
      • 1.4.3.2. Subplots
      • 1.4.3.3. Ejes (axes)
      • 1.4.3.4. Graduaciones (ticks)
        • 1.4.3.4.1. Localizadoras de graduación (tick locators)
    • 1.4.4. Otros tipos de gráficos: ejemplos y ejercicios
      • 1.4.4.1. Gráficos regulares
      • 1.4.4.2. Gráficos de dispersión (scatter)
      • 1.4.4.3. Gráfico de barras (bar)
      • 1.4.4.4. Gráficos de contorno
      • 1.4.4.5. Imshow
      • 1.4.4.6. Pie Charts
      • 1.4.4.7. Quiver Plots
      • 1.4.4.8. Cuadrículas (grids)
      • 1.4.4.9. Gráficos múltiples
      • 1.4.4.10. Ejes polares
      • 1.4.4.11. Gráficos 3D
      • 1.4.4.12. Texto
    • 1.4.5. Más allá de este tutorial
      • 1.4.5.1. Tutoriales
      • 1.4.5.2. Documentación Matplotlib
      • 1.4.5.3. Código de documentación
      • 1.4.5.4. Galerías
      • 1.4.5.5. Lista de correos
    • 1.4.6. Referencias rápidas
      • 1.4.6.1. Propiedades de Línea
      • 1.4.6.2. Estilos de línea
      • 1.4.6.3. Marcadores
      • 1.4.6.4. Colormaps
  • 1.5. Scipy: computación científica de alto nivel
    • 1.5.1. Entrada/salida de archivos: scipy.io
    • 1.5.2. Funciones especiales: scipy.special
    • 1.5.3. Operaciones de álgebra lineal: scipy.linalg
    • 1.5.4. Transformada rápida de Fourier: scipy.fftpack
    • 1.5.5. Optimización y ajuste: scipy.optimize
    • 1.5.6. Estadística y números aleatorios: scipy.stats
      • 1.5.6.1. Histograma y la función de densidad de probabilidad
      • 1.5.6.2. Percentiles
      • 1.5.6.3. Pruebas estadísticas
    • 1.5.7. Interpolación: scipy.interpolate
    • 1.5.8. Integración numérica: scipy.integrate
    • 1.5.9. Procesamiento de señales: scipy.signal
    • 1.5.10. Procesamiento de imágenes: scipy.ndimage
      • 1.5.10.1. Transformaciones geométricas en imágenes
      • 1.5.10.2. Filtrado de imágenes
      • 1.5.10.3. Morfología matemática
      • 1.5.10.4. Mediciones en imágenes
    • 1.5.11. Sumario de ejercicios para computación científica
      • 1.5.11.25. Maximum wind speed prediction at the Sprogø station
        • 1.5.11.25.1. Statistical approach
        • 1.5.11.25.2. Computing the cumulative probabilities
        • 1.5.11.25.3. Prediction with UnivariateSpline
        • 1.5.11.25.4. Exercise with the Gumbell distribution
      • 1.5.11.26. Non linear least squares curve fitting: application to point extraction in topographical lidar data
        • 1.5.11.26.1. Introduction
        • 1.5.11.26.2. Loading and visualization
        • 1.5.11.26.3. Fitting a waveform with a simple Gaussian model
          • 1.5.11.26.3.1. Model
          • 1.5.11.26.3.2. Initial solution
          • 1.5.11.26.3.3. Fit
        • 1.5.11.26.4. Going further
      • 1.5.11.27. Image processing application: counting bubbles and unmolten grains
        • 1.5.11.27.1. Statement of the problem
        • 1.5.11.27.2. Proposed solution
      • 1.5.11.31. Example of solution for the image processing exercise: unmolten grains in glass
      • 1.5.11.28. Tránsito de avenidas en embalses
      • 1.5.11.29. Tránsito de avenidas en cauces naturales
      • 1.5.11.32. Solución tránsito de avenidas en cauces naturales
        • 1.5.11.32.1. Método de Muskingum
      • 1.5.11.30. Ajuste de curva de caudales
      • 1.5.11.25. Maximum wind speed prediction at the Sprogø station
        • 1.5.11.25.1. Statistical approach
        • 1.5.11.25.2. Computing the cumulative probabilities
        • 1.5.11.25.3. Prediction with UnivariateSpline
        • 1.5.11.25.4. Exercise with the Gumbell distribution
      • 1.5.11.26. Non linear least squares curve fitting: application to point extraction in topographical lidar data
        • 1.5.11.26.1. Introduction
        • 1.5.11.26.2. Loading and visualization
        • 1.5.11.26.3. Fitting a waveform with a simple Gaussian model
          • 1.5.11.26.3.1. Model
          • 1.5.11.26.3.2. Initial solution
          • 1.5.11.26.3.3. Fit
        • 1.5.11.26.4. Going further
      • 1.5.11.27. Image processing application: counting bubbles and unmolten grains
        • 1.5.11.27.1. Statement of the problem
        • 1.5.11.27.2. Proposed solution
      • 1.5.11.28. Tránsito de avenidas en embalses
      • 1.5.11.29. Tránsito de avenidas en cauces naturales
      • 1.5.11.30. Ajuste de curva de caudales
      • 1.5.11.31. Example of solution for the image processing exercise: unmolten grains in glass
      • 1.5.11.32. Solución tránsito de avenidas en cauces naturales
        • 1.5.11.32.1. Método de Muskingum
      • 1.5.11.25. Maximum wind speed prediction at the Sprogø station
        • 1.5.11.25.1. Statistical approach
        • 1.5.11.25.2. Computing the cumulative probabilities
        • 1.5.11.25.3. Prediction with UnivariateSpline
        • 1.5.11.25.4. Exercise with the Gumbell distribution
      • 1.5.11.26. Non linear least squares curve fitting: application to point extraction in topographical lidar data
        • 1.5.11.26.1. Introduction
        • 1.5.11.26.2. Loading and visualization
        • 1.5.11.26.3. Fitting a waveform with a simple Gaussian model
          • 1.5.11.26.3.1. Model
          • 1.5.11.26.3.2. Initial solution
          • 1.5.11.26.3.3. Fit
        • 1.5.11.26.4. Going further
      • 1.5.11.27. Image processing application: counting bubbles and unmolten grains
        • 1.5.11.27.1. Statement of the problem
        • 1.5.11.27.2. Proposed solution
      • 1.5.11.28. Tránsito de avenidas en embalses
      • 1.5.11.29. Tránsito de avenidas en cauces naturales
      • 1.5.11.30. Ajuste de curva de caudales
      • 1.5.11.31. Example of solution for the image processing exercise: unmolten grains in glass
      • 1.5.11.32. Solución tránsito de avenidas en cauces naturales
        • 1.5.11.32.1. Método de Muskingum
  • 1.6. Obteniendo ayuda y buscando en la documentación
• 2. Temas avanzados
  • 2.1. Expresiones avanzadas en python (Advanced Python Constructs)
    • 2.1.1. Iteradores, expresiones generadoras y generadores
      • 2.1.1.1. Iteradores
      • 2.1.1.2. Expresiones generadoras
      • 2.1.1.3. Generadores
      • 2.1.1.4. Comunicación bidireccional
      • 2.1.1.5. Encadenando generadores
    • 2.1.2. Decoradores
      • 2.1.2.1. Reemplazando o modificando el objeto original
      • 2.1.2.2. Decoradores implementados como clases y funciones
      • 2.1.2.3. Copiando el docstring (documentación) y otros atributos de la función original
      • 2.1.2.4. Ejemplos en la librería estándar
      • 2.1.2.5. Funciones obsoletas (Deprecation of functions)
      • 2.1.2.6. Un decorador para eliminar bucles while
      • 2.1.2.7. Un sistema de registro de plugins
      • 2.1.2.8. Más ejemplos y lecturas recomendadas
    • 2.1.3. Gestores de contexto (context managers)
      • 2.1.3.1. Capturando excepciones
      • 2.1.3.2. Usindo generadores para definir gestores de contexto
  • 2.2. Numpy avanzado
    • 2.2.1. Vida de un ndarray
      • 2.2.1.1. Esto es...
      • 2.2.1.2. Bloque de memoria
      • 2.2.1.3. Tipos de datos
        • 2.2.1.3.1. El descriptor
        • 2.2.1.3.2. Ejemplo: leyendo ficheros .wav
        • 2.2.1.3.3. Casting y re-interpretación/vistas
          • 2.2.1.3.3.1. Casting (o transformación de tipo)
          • 2.2.1.3.3.2. Re-interpretación / vistas
      • 2.2.1.4. Esquema de indexación: strides (pasos)
        • 2.2.1.4.1. Punto principal
          • 2.2.1.4.1.1. Orden C y Fortran
          • 2.2.1.4.1.2. Slicing con enteros
        • 2.2.1.4.2. Example: fake dimensions with strides
        • 2.2.1.4.3. Broadcasting
        • 2.2.1.4.4. More tricks: diagonals
        • 2.2.1.4.5. CPU cache effects
        • 2.2.1.4.6. Example: inplace operations (caveat emptor)
      • 2.2.1.5. Findings in dissection
    • 2.2.2. Universal functions
      • 2.2.2.1. What they are?
        • 2.2.2.1.1. Parts of an Ufunc
        • 2.2.2.1.2. Making it easier
      • 2.2.2.2. Exercise: building an ufunc from scratch
      • 2.2.2.3. Solution: building an ufunc from scratch
      • 2.2.2.4. Generalized ufuncs
    • 2.2.3. Interoperability features
      • 2.2.3.1. Sharing multidimensional, typed data
      • 2.2.3.2. The old buffer protocol
      • 2.2.3.3. The old buffer protocol
      • 2.2.3.4. Array interface protocol
    • 2.2.4. Array siblings: chararray, maskedarray, matrix
      • 2.2.4.1. chararray: vectorized string operations
      • 2.2.4.2. masked_array missing data
        • 2.2.4.2.1. The mask
        • 2.2.4.2.2. Domain-aware functions
      • 2.2.4.3. recarray: purely convenience
      • 2.2.4.4. matrix: convenience?
    • 2.2.5. Summary
    • 2.2.6. Contributing to Numpy/Scipy
      • 2.2.6.1. Why
      • 2.2.6.2. Reporting bugs
        • 2.2.6.2.1. Good bug report
      • 2.2.6.3. Contributing to documentation
      • 2.2.6.4. Contributing features
      • 2.2.6.5. How to help, in general
  • 2.3. Debugging code / Código de depuración
    • 2.3.1. Evitando bugs
      • 2.3.1.1. Buenas prácticas para evitar tener problemas al escribir código
      • 2.3.1.2. pyflakes: Análisis estático veloz
        • 2.3.1.2.1. Corriendo pyflakes en el fichero que estamos editando
        • 2.3.1.2.2. A type-as-go spell-checker like integration (integración de un comprobador de código a medida que tecleas)
    • 2.3.2. Flujo de trabajo para depuración de código
    • 2.3.3. Usando el depurador Python
      • 2.3.3.1. Invocando al depurador
        • 2.3.3.1.1. Postmortem
        • 2.3.3.1.2. Ejecución paso a paso
        • 2.3.3.1.3. Otras formas de comenzar una depuración
      • 2.3.3.2. Comandos del depurador e interacciones
        • 2.3.3.2.1. Obteniendo ayuda dentro del depurador
    • 2.3.4. Depurando errores de segmentación usando gdb
  • 2.4. Optimizing code
    • 2.4.1. Optimization workflow
    • 2.4.2. Profiling Python code
      • 2.4.2.1. Timeit
      • 2.4.2.2. Profiler
      • 2.4.2.3. Line-profiler
      • 2.4.2.4. Running cProfile
      • 2.4.2.5. Using gprof2dot
    • 2.4.3. Making code go faster
      • 2.4.3.1. Algorithmic optimization
        • 2.4.3.1.1. Example of the SVD
    • 2.4.4. Writing faster numerical code
      • 2.4.4.1. Additional Links
  • 2.5. Sparse Matrices in SciPy
    • 2.5.1. Introduction
      • 2.5.1.1. Why Sparse Matrices?
      • 2.5.1.2. Sparse Matrices vs. Sparse Matrix Storage Schemes
      • 2.5.1.3. Typical Applications
      • 2.5.1.4. Prerequisites
      • 2.5.1.5. Sparsity Structure Visualization
    • 2.5.2. Storage Schemes
      • 2.5.2.1. Common Methods
      • 2.5.2.2. Sparse Matrix Classes
        • 2.5.2.2.1. Diagonal Format (DIA)
          • 2.5.2.2.1.1. Examples
        • 2.5.2.2.2. List of Lists Format (LIL)
          • 2.5.2.2.2.1. Examples
        • 2.5.2.2.3. Dictionary of Keys Format (DOK)
          • 2.5.2.2.3.1. Examples
        • 2.5.2.2.4. Coordinate Format (COO)
          • 2.5.2.2.4.1. Examples
        • 2.5.2.2.5. Compressed Sparse Row Format (CSR)
          • 2.5.2.2.5.1. Examples
        • 2.5.2.2.6. Compressed Sparse Column Format (CSC)
          • 2.5.2.2.6.1. Examples
        • 2.5.2.2.7. Block Compressed Row Format (BSR)
          • 2.5.2.2.7.1. Examples
      • 2.5.2.3. Summary
    • 2.5.3. Linear System Solvers
      • 2.5.3.1. Sparse Direct Solvers
        • 2.5.3.1.1. Examples
      • 2.5.3.2. Iterative Solvers
        • 2.5.3.2.1. Common Parameters
        • 2.5.3.2.2. LinearOperator Class
        • 2.5.3.2.3. A Few Notes on Preconditioning
      • 2.5.3.3. Eigenvalue Problem Solvers
        • 2.5.3.3.1. The eigen module
    • 2.5.4. Other Interesting Packages
  • 2.6. Manipulación y procesamiento de imágenes usando Numpy y Scipy
    • 2.6.1. Abriendo y escribiendo archivos de imágenes
    • 2.6.2. Mostrando imágenes
    • 2.6.3. Manipulaciones básicas
      • 2.6.3.1. Información estadística
      • 2.6.3.2. Transformaciones geométricas
    • 2.6.4. Filtrado de imágenes
      • 2.6.4.1. Desenfoque/suavizado
      • 2.6.4.2. enfoque/refinamiento (sharpening)
      • 2.6.4.3. Reduciendo ruido
      • 2.6.4.4. Morfología matemática
    • 2.6.5. Extracción de patrones
      • 2.6.5.1. Detección de borde
      • 2.6.5.2. Segmentación
    • 2.6.6. Midiendo propiedades de objetos: ndimage.measurements
  • 2.7. Mathematical optimization: finding minima of functions
    • 2.7.1. Knowing your problem
      • 2.7.1.1. Convex versus non-convex optimization
      • 2.7.1.2. Smooth and non-smooth problems
      • 2.7.1.3. Noisy versus exact cost functions
      • 2.7.1.4. Constraints
    • 2.7.2. A review of the different optimizers
      • 2.7.2.1. Getting started: 1D optimization
      • 2.7.2.2. Gradient based methods
        • 2.7.2.2.1. Some intuitions about gradient descent
        • 2.7.2.2.2. Conjugate gradient descent
      • 2.7.2.3. Newton and quasi-newton methods
        • 2.7.2.3.1. Newton methods: using the Hessian (2nd differential)
        • 2.7.2.3.2. Quasi-Newton methods: approximating the Hessian on the fly
      • 2.7.2.4. Gradient-less methods
        • 2.7.2.4.1. A shooting method: the Powell algorithm
        • 2.7.2.4.2. Simplex method: the Nelder-Mead
      • 2.7.2.5. Global optimizers
        • 2.7.2.5.1. Brute force: a grid search
        • 2.7.2.5.2. Simulated annealing
    • 2.7.3. Practical guide to optimization with scipy
      • 2.7.3.1. Choosing a method
      • 2.7.3.2. Making your optimizer faster
      • 2.7.3.3. Computing gradients
      • 2.7.3.4. Synthetic exercices
    • 2.7.4. Special case: non-linear least-squares
      • 2.7.4.1. Minimizing the norm of a vector function
      • 2.7.4.2. Curve fitting
    • 2.7.5. Optimization with constraints
      • 2.7.5.1. Box bounds
      • 2.7.5.2. General constraints
  • 2.8. Interfacing with C
    • 2.8.1. Introduction
    • 2.8.2. Python-C-Api
      • 2.8.2.1. Example
      • 2.8.2.2. Numpy Support
    • 2.8.3. Ctypes
      • 2.8.3.1. Example
      • 2.8.3.2. Numpy Support
    • 2.8.4. SWIG
      • 2.8.4.1. Example
      • 2.8.4.2. Numpy Support
    • 2.8.5. Cython
      • 2.8.5.1. Example
      • 2.8.5.2. Numpy Support
    • 2.8.6. Summary
    • 2.8.7. Further Reading and References
    • 2.8.8. Exercises
      • 2.8.8.1. Python-C-API
      • 2.8.8.2. Ctypes
      • 2.8.8.3. SWIG
      • 2.8.8.4. Cython
• 3. Paquetes y aplicaciones
  • 3.1. Sympy : Matemáticas simbólicas en Python
    • 3.1.1. Primeros pasos con SymPy
      • 3.1.1.1. Usando SymPy como una calculadora
      • 3.1.1.2. Ejercicios
      • 3.1.1.3. Símbolos
    • 3.1.2. Manipulaciones algebraicas
      • 3.1.2.1. Expandir
      • 3.1.2.2. Simplificación
      • 3.1.2.3. Ejercicios
    • 3.1.3. Cálculo
      • 3.1.3.1. Límites
      • 3.1.3.2. Diferenciación/Derivación
      • 3.1.3.3. Expansión de series
      • 3.1.3.4. Ejercicios
      • 3.1.3.5. Integración
      • 3.1.3.6. Ejercicios
    • 3.1.4. Resolución de ecuaciones
      • 3.1.4.1. Ejercicios
    • 3.1.5. Álgebra Lineal
      • 3.1.5.1. Matrices
      • 3.1.5.2. Ecuaciones diferenciales
      • 3.1.5.3. Ejercicios
  • 3.2. Scikit-image: image processing
    • 3.2.1. Introduction and concepts
      • 3.2.1.1. scikit-image and the SciPy ecosystem
      • 3.2.1.2. What’s to be found in scikit-image
    • 3.2.2. Input/output, data types and colorspaces
      • 3.2.2.1. Data types
      • 3.2.2.2. Colorspaces
    • 3.2.3. Image preprocessing / enhancement
      • 3.2.3.1. Local filters
      • 3.2.3.2. Non-local filters
      • 3.2.3.3. Mathematical morphology
    • 3.2.4. Image segmentation
      • 3.2.4.1. Histogram-based method: Otsu thresholding
        • 3.2.4.1.1. Labeling connected components of a discrete image
      • 3.2.4.2. Marker based methods
        • 3.2.4.2.1. Watershed segmentation
        • 3.2.4.2.2. Random walker segmentation
    • 3.2.5. Measuring regions’ properties
    • 3.2.6. Data visualization and interaction
    • 3.2.7. Feature extraction for computer vision
  • 3.3. Traits: building interactive dialogs
    • 3.3.1. Introduction
    • 3.3.2. Example
    • 3.3.3. What are Traits
      • 3.3.3.1. Initialisation
      • 3.3.3.2. Validation
      • 3.3.3.3. Documentation
      • 3.3.3.4. Visualization: opening a dialog
      • 3.3.3.5. Deferral
      • 3.3.3.6. Notification
      • 3.3.3.7. Some more advanced traits
    • 3.3.4. References
  • 3.4. Gráficos 3D con Mayavi
    • 3.4.1. Mlab: la interfaz de scripting
      • 3.4.1.1. Funciones para gráficos 3D
        • 3.4.1.1.1. Puntos
        • 3.4.1.1.2. Líneas
        • 3.4.1.1.3. Superficies de elevación
        • 3.4.1.1.4. Mallas arbitrariamente irregulares
        • 3.4.1.1.5. Datos volumétricos
      • 3.4.1.2. Figuras y decoraciones
        • 3.4.1.2.1. Gestión de figuras
        • 3.4.1.2.2. Cambiando las propiedades del gráfico
        • 3.4.1.2.3. Decoraciones
    • 3.4.2. Trabajo interactivo
      • 3.4.2.1. El “pipeline dialog”
      • 3.4.2.2. El botón de grabación del script
    • 3.4.3. Slicing and dicing data: sources, modules and filters
      • 3.4.3.1. An example: inspecting magnetic fields
      • 3.4.3.2. Different views on data: sources and modules
        • 3.4.3.2.1. Different sources: scatters and fields
        • 3.4.3.2.2. Transforming data: filters
        • 3.4.3.2.3. mlab.pipeline: the scripting layer
    • 3.4.4. Animating the data
    • 3.4.5. Making interactive dialogs
      • 3.4.5.1. A simple dialog
      • 3.4.5.2. Making it interactive
    • 3.4.6. Putting it together
  • 3.5. scikit-learn: machine learning in Python
    • 3.5.1. Loading an example dataset
      • 3.5.1.1. Learning and Predicting
    • 3.5.2. Classification
      • 3.5.2.1. k-Nearest neighbors classifier
      • 3.5.2.2. Support vector machines (SVMs) for classification
        • 3.5.2.2.1. Linear Support Vector Machines
        • 3.5.2.2.2. Using kernels
    • 3.5.3. Clustering: grouping observations together
      • 3.5.3.1. K-means clustering
    • 3.5.4. Dimension Reduction with Principal Component Analysis
    • 3.5.5. Putting it all together: face recognition
    • 3.5.6. Linear model: from regression to sparsity
      • 3.5.6.1. Sparse models
    • 3.5.7. Model selection: choosing estimators and their parameters
      • 3.5.7.1. Grid-search and cross-validated estimators
        • 3.5.7.1.1. Grid-search
        • 3.5.7.1.2. Cross-validated estimators

---

Version: (output of git describe for project repository)

PythonScientific.pdf PythonScientific-simple.pdf