Domina Python: SciPy

Este es el repositorio del curso de LinkedIn Learning Domina Python : SciPy. El curso completo está disponible en LinkedIn Learning.

Consulta el archivo Readme en la rama main para obtener instrucciones e información actualizadas.

Domina el uso de SciPy para resolver problemas matemáticos y científicos complejos con Python. Este curso te guía desde ejercicios básicos hasta aplicaciones avanzadas, explorando desde la creación y manipulación de matrices hasta el análisis de regresión y el procesamiento de imágenes multidimensionales. Aprenderás a calcular determinantes, realizar pruebas estadísticas, y utilizar técnicas como la Transformada Rápida de Fourier y la integración de Romberg. Ideal para quienes buscan profundizar en el análisis numérico y el procesamiento de datos utilizando herramientas potentes y versátiles como SciPy.

Instrucciones

Este repositorio tiene ramas (branches) para cada uno de los vídeos del curso. Puedes usar el menú emergente de la rama en GitHub para cambiar a una rama específica y echar un vistazo al curso en esa etapa, o puedes añadir /tree/nombre_de_la_rama a la URL para ir a la rama a la que quieres acceder.

Ramas

Las ramas están estructuradas para corresponder a los vídeos del curso. La convención de nomenclatura es Capítulo#_Vídeo#. Por ejemplo, la rama denominada 02_03 corresponde al segundo capítulo y al tercer vídeo de ese capítulo. Algunas ramas tendrán un estado inicial y otro final. Están marcadas con las letras i («inicio») y f («fin»). La branch i tiene el mismo código que al principio del vídeo. La branch f tiene el mismo código que al final del vídeo. La rama master tiene el estado final del código que aparece en el curso.

Instalación

1. Para utilizar estos archivos de ejercicios, debes tener descargado lo siguiente:

   • Python version 3.12.6 o superior
   • Editor de Código (En este curso se utiliza Visual Studio Code)

2. Clona este repositorio en tu máquina local usando la Terminal (macOS) o CMD (Windows), o una herramienta GUI como SourceTree.

3. Crea un ambiente virtual de Python: 3.1. Ambiente virtual en Windows:

   pip install virtualenv
   virtualenv <nombre del ambiente virtual>
   

   3.2. Activar el ambiente virtual de Python en Windows:

      .\<nombre del ambiente virtual>\Scripts\activate
   

   3.3. Ambiente virtual en Mac:

   python -m venv <nombre del ambiente virtual>
   

   3.4. Activar el ambiente virtual de Python en Mac:

   source <nombre del ambiente virtual>/bin/activate
   

4. Instalar las siguientes librerías de Python:

   • numpy
   • matplotlib
   • scipy

   4.1. Instala las librerías con el comando:

   pip install -r requirements.txt
   

Docente

Lincy González

Echa un vistazo a mis otros cursos en LinkedIn Learning.