Descripción y contextualización de la asignatura

La asignatura de Programación Científica en Python sienta las bases para cursar otras materias de este máster en las que la programación científica y la visualización y análisis de datos juegan un papel central y, además, prepara a los y las estudiantes para resolver con éxito problemas complejos susceptibles de ser resueltos computacionalmente que les surgirán durante su devenir profesional, utilizando Python como lenguaje de programación vehicular.

Resultados del aprendizaje de la asignatura

Conocimientos o contenidos:

RCO10: Conocer algoritmos eficientes para la resolución de problemas científicos reales asociados al procesamiento masivo de datos.



Competencias:

RC1: Ser capaz de evaluar y comparar los resultados obtenidos.

RC3: Conocer y utilizar las Tecnologías de la Información y la Comunicación científica.



Habilidades o destrezas:

RHE22: Habilidad de análisis de problemas científicos susceptibles de ser resueltos computacionalmente.

RHE23: Habilidad para implementar algoritmos en Python utilizando los entornos de programación y las librerías más adecuadas para cada situación.

RHE24: Habilidad de crear representaciones gráficas de datos en Python que permitan entender y visualizar fenómenos de distintos tipos.

Temario

Programación científica.

¿Qué es la programación científica? ¿Qué la diferencia de la programación ¿estándar?

El entorno de desarrollo: Anaconda, Ipython, Jupyter Notebooks.

Uso de entornos en Python para simplificar y organizar las tareas de desarrollo.

Introducción a Python: tipos de variables. Operadores y expresiones. Sintaxis. Control de flujo. Funciones. Entrada/Salida.

Elementos del lenguaje básicos para poder hacer programas sencillos en Python.

Computación numérica: NumPy.

El paquete numpy para realizar operaciones matemáticas en Python.

Visualización: Matplotlib.

Representación gráfica de datos en Python.

Computación científica de alto nivel: SciPy

El paquete SciPy para realizar operaciones matemáticas avanzadas con Python.

Manipulación y análisis de datos: Pandas.

Tratamiento y análisis de grandes volúmenes de datos con Python.

Machine Learning en Python: scikit-learn.

Análisis de datos predictivo y aprendizaje automático con Python.

Bibliografía

Bibliografía básica

El tutorial de Python: https://docs.python.org/es/3/tutorial/

M. González Harbour, J. J. Gutiérrez García, J. C. Palencia Gutiérrez, J. I. Espeso Martínez y A. Garandal Martín, Programación en Python, OCW, Universidad de Cantabria (2020). https://ocw.unican.es/course/view.php id=286§ion=1

A. P. Hinojosa Gutiérrez, Python. Paso a paso, RA-MA S.A. ISBN-10: 8499646115, ISBN-13: 978-8499646114 (2016).

R. Johansson, Numerical Python: Scientific Computing and Data Science Applications with Numpy, SciPy and Matplotlib, Apress, ISBN: 1484242452 (2018).

Pandas tutorial: https://www.w3schools.com/python/pandas/default.asp

scikit-learn Tutorials: https://scikit-learn.org/stable/tutorial/index.html

Bibliografía de profundización

Mark Lutz, Programming Python: Powerful Object-Oriented Programming, O'Reilly Media, Inc, USA, ISBN-10: 0596158106, ISBN-13: 978-0596158101 (2011).

Robert Johansson, Numerical Python Scientific Computing and Data Science Applications with Numpy, Scipy and Matplotlib, Kindle (2021)

Chris Albon, Machine Learning with Python Cookbook: Practical solutions from preprocessing to deep learning, O'Reilly Media, ISBN-10: 9781491989388, ISBN-13: 978-1491989388 (2018).