Наука и естествознание

Учебник Научный Python для начинающих

33 урока · 9 разделов · ~4 ч · бесплатно, без регистрации

Научный Python превращает обычный язык в полноценную среду для расчётов: численные алгоритмы SciPy поверх NumPy и точную символьную математику SymPy. Курс построен на сквозной связке: сначала вы понимаете идею «руками» на чистой стандартной библиотеке Python (исполнимый код с проверенным выводом), а затем видите, как то же самое делается одной строкой в SciPy или SymPy. Внутри: линейная алгебра, интерполяция, интегрирование, оптимизация, статистика, спецфункции, разреженные и пространственные структуры; символьные вычисления — производные, интегралы, пределы, ряды, уравнения и дифуравнения; LaTeX, визуализация, воспроизводимость и производительность. Для студентов, инженеров и всех, кто считает всерьёз.

Курс «Научный Python: SciPy и SymPy» состоит из 9 разделов и 33 уроков: Научный Python и экосистема SciPy-стека, Подмодули SciPy и линейная алгебра, Интерполяция и численное интегрирование, Оптимизация и поиск корней, Статистика, спец. функции, разреженные и пространственные структуры, SymPy: символьная математика, Символьный матан: производные, интегралы, пределы, ряды, SymPy на практике: матрицы, дифуры, мост к числам и Визуализация, рабочий процесс и производительность. Уроки идут по порядку — от основ к более сложным темам, в каждом есть объяснение с примерами, а в конце — вопросы для самопроверки. К урокам привязаны задачи с автоматической проверкой: прочитали тему — сразу закрепили её кодом.

Программа учебника

9 разделов · 33 урока
  1. 1Научный Python и экосистема SciPy-стека3 урока

    1. 1Что такое научный Python и зачем он нуженНаучный Python как замена MATLAB и калькулятора: численные и символьные вычисления, моделирование, анализ данных одним инструментом.
    2. 2SciPy-стек: NumPy, SciPy, SymPy, Matplotlib, pandasИз чего состоит SciPy-стек и кто за что отвечает: NumPy — массивы, SciPy — алгоритмы, SymPy — символика, Matplotlib — графики, pandas — таблицы.
    3. 3Зачем нужен SciPy: алгоритмы поверх NumPyПочему поверх NumPy появился SciPy: готовые отлаженные научные алгоритмы вместо самописных циклов — интегрирование, оптимизация, статистика, линейная алгебра.
  2. 2Подмодули SciPy и линейная алгебра3 урока

    1. 4Карта подмодулей SciPy: что где искатьОбзор всех ключевых подмодулей SciPy: optimize, integrate, linalg, stats, signal, interpolate, special, sparse, spatial — что каждый делает и когда нужен.
    2. 5scipy.linalg: решение СЛАУ методом ГауссаРешение систем линейных уравнений Ax=b: идея метода Гаусса с реализацией на чистом Python и одной строкой в scipy.linalg.solve.
    3. 6Разложения матриц: LU, QR, SVD и собственные значенияЧто считают разложения матриц LU, QR, SVD и собственные значения, зачем они нужны и как одной строкой получить их в scipy.linalg.
  3. 3Интерполяция и численное интегрирование3 урока

    1. 7Интерполяция: восстанавливаем значения между точкамиЛинейная интерполяция и идея кубических сплайнов: восстановление значений между измерениями. Реализация на stdlib и scipy.interpolate.interp1d.
    2. 8Численное интегрирование: трапеции и метод СимпсонаЧисленное интегрирование на чистом Python: метод трапеций и метод Симпсона с точным выводом, и одна строка scipy.integrate.quad.
    3. 9Решение ОДУ: метод Эйлера и scipy solve_ivpЧисленное решение обыкновенных дифференциальных уравнений: метод Эйлера на чистом Python и solve_ivp/odeint в SciPy.
  4. 4Оптимизация и поиск корней3 урока

    1. 10Поиск корней: бисекцияМетод бисекции (деление пополам) для поиска корня уравнения: надёжный алгоритм на чистом Python и scipy.optimize.brentq одной строкой.
    2. 11Метод Ньютона: быстрая сходимость по касательнойМетод Ньютона для поиска корней: идея касательной, квадратичная сходимость, реализация на чистом Python и scipy.optimize.newton.
    3. 12Минимизация функций: золотое сечение и scipy.minimizeПоиск минимума функции: метод золотого сечения на чистом Python и scipy.optimize.minimize/minimize_scalar для многомерной оптимизации.
  5. 5Статистика, спец. функции, разреженные и пространственные структуры5 уроков

    1. 13scipy.stats: распределения и описательная статистикаПодмодуль scipy.stats: непрерывные и дискретные распределения, описательная статистика. Связь с курсом статистики, реализация на stdlib.
    2. 14Статистические тесты: проверяем гипотезыСтатистические тесты в scipy.stats: t-тест, хи-квадрат, p-value. Идея проверки гипотез и связь с курсом статистики.
    3. 15Специальные функции: гамма, Бесселя, erfСпециальные функции в scipy.special: гамма-функция, функция ошибок erf, функции Бесселя — что это, зачем нужны и где встречаются.
    4. 16Разреженные матрицы: когда почти всё — нулиРазреженные матрицы в scipy.sparse: зачем нужны, форматы COO/CSR/CSC, экономия памяти. Реализация словарём на чистом Python.
    5. 17Пространственные структуры: KD-дерево и расстоянияscipy.spatial: поиск ближайшего соседа через KD-дерево, метрики расстояний (евклидово, манхэттенское). Реализация перебора и KD-идеи на stdlib.
  6. 6SymPy: символьная математика4 урока

    1. 18Что такое SymPy: точное против приближённогоSymPy — система символьной математики на Python: точные вычисления вместо приближённых. Чем отличается от SciPy, зачем нужна и как мыслит формулами.
    2. 19Символы и выражения: строим формулыСоздание символов через symbols() и построение выражений в SymPy. Подстановка значений, базовые операции и предположения о символах.
    3. 20Упрощение: simplify, expand, factorУпрощение выражений в SymPy: simplify, expand (раскрытие скобок), factor (разложение на множители), collect, cancel. Когда какой инструмент.
    4. 21Решение уравнений: solve и системыСимвольное решение уравнений в SymPy: solve для одного уравнения и систем, Eq, точные корни (включая комплексные и параметрические).
  7. 7Символьный матан: производные, интегралы, пределы, ряды4 урока

    1. 22Производные: diff делает дифференцирование за васСимвольное дифференцирование в SymPy через diff: точные производные любых функций, частные производные, высшие порядки. Численная производная на stdlib.
    2. 23Интегралы: integrate, и почему это сложнееСимвольное интегрирование в SymPy через integrate: неопределённые и определённые интегралы. Почему интегрирование труднее дифференцирования.
    3. 24Пределы: limit вычисляет точноВычисление пределов в SymPy через limit: устранение неопределённостей 0/0, односторонние пределы, пределы на бесконечности. Численная проверка на stdlib.
    4. 25Ряды Тейлора: series раскладывает функцииРазложение функций в ряд Тейлора через series в SymPy: приближение функций многочленами. Реализация ряда для exp на чистом Python.
  8. 8SymPy на практике: матрицы, дифуры, мост к числам4 урока

    1. 26Матрицы в SymPy: точная линейная алгебраСимвольные матрицы в SymPy: точный определитель, обратная матрица, собственные значения в радикалах. Сравнение с численным scipy.linalg.
    2. 27Дифуравнения символьно: dsolveСимвольное решение обыкновенных дифференциальных уравнений в SymPy через dsolve: точные формулы решений вместо численных траекторий solve_ivp.
    3. 28Мост к числам: subs, evalf, lambdifyПереход от символьного к численному в SymPy: subs (подстановка), evalf (точная оценка с любым числом знаков), lambdify (превращение формулы в быструю функцию).
    4. 29Вывод формул и LaTeX; SymPy против SciPySymPy печатает формулы в LaTeX для статей и презентаций. Итоговое сравнение SymPy (точное) и SciPy (приближённое): когда что выбирать.
  9. 9Визуализация, рабочий процесс и производительность4 урока

    1. 30Matplotlib для научной визуализацииMatplotlib как стандарт научной графики в Python: анатомия Figure/Axes, типы научных графиков, связь с курсом визуализации данных.
    2. 31Рабочий процесс учёного: Jupyter и воспроизводимостьРабочий процесс научного Python: Jupyter-блокноты, воспроизводимость расчётов, фиксация версий, организация научного проекта.
    3. 32Производительность: векторизация, Numba, CythonПроизводительность научного Python: векторизация вместо циклов, когда уходить в Numba/Cython. Замер ускорения векторизации на чистом Python.
    4. 33Сквозной кейс: символьно вывести формулу, численно посчитатьРеальный мини-кейс научного Python: символьно вывести формулу (SymPy) и численно посчитать ответ (SciPy/stdlib) — полный конвейер учёного на примере.