Programma

1) Librerie per il calcolo scientifico: NumPy
Introduzione agli array multidimensionali e gestione dell'efficienza in memoria. Operazioni vettoriali e matriciali, funzioni matematiche per l'elaborazione di dati numerici.

2) Librerie per il calcolo scientifico: Pandas
Strutture dati fondamentali: Series e DataFrame. Tecniche di caricamento, pulizia, filtraggio e trasformazione dei dati. Gestione dei valori mancanti, operazioni di aggregazione, calcolo di indici statistici.

3) Librerie per il calcolo scientifico: Matplotlib
Visualizzazione grafica dei dati e comunicazione dei risultati. Gestione della struttura delle figure, assi, legende.

4) Librerie per il calcolo scientifico: SciPy
Panoramica sui moduli principali per l'analisi numerica avanzata. Metodi di integrazione numerica, distribuzioni statistiche.

5) Applicazioni e simulazioni numeriche
Implementazione pratica di problemi scientifici: algebra matriciale applicata, risoluzione numerica di equazioni differenziali, simulazione di processi stocastici.

Testi Adottati

Jake VanderPlas, "Python Data Science Handbook". O'Reilly

NumPy Official Documentation (https://numpy.org/doc/stable/)

Pandas Official Documentation (https://pandas.pydata.org/docs/index.html)

Matplotlib Official Documentation (https://matplotlib.org/stable/users/index.html)

SciPy Official Documentation (https://docs.scipy.org/doc/scipy/index.html)

Modalità Frequenza

Facoltativa

Modalità Valutazione

L'esame consiste in due parti, entrambe valutate nel corso del colloquio orale: (i) la presentazione e la discussione di un progetto sviluppato utilizzando le principali librerie Python per il calcolo e la programmazione scientifica introdotte durante il corso, applicate alla risoluzione di problemi e casi di studio di interesse scientifico; (ii) una prova orale finalizzata a verificare le conoscenze acquisite. Il voto finale è determinato come media aritmetica delle valutazioni ottenute nelle due parti dell'esame.

Programma

1) Librerie per il calcolo scientifico: NumPy
Introduzione agli array multidimensionali e gestione dell'efficienza in memoria. Operazioni vettoriali e matriciali, funzioni matematiche per l'elaborazione di dati numerici.

2) Librerie per il calcolo scientifico: Pandas
Strutture dati fondamentali: Series e DataFrame. Tecniche di caricamento, pulizia, filtraggio e trasformazione dei dati. Gestione dei valori mancanti, operazioni di aggregazione, calcolo di indici statistici.

3) Librerie per il calcolo scientifico: Matplotlib
Visualizzazione grafica dei dati e comunicazione dei risultati. Gestione della struttura delle figure, assi, legende.

4) Librerie per il calcolo scientifico: SciPy
Panoramica sui moduli principali per l'analisi numerica avanzata. Metodi di integrazione numerica, distribuzioni statistiche.

5) Applicazioni e simulazioni numeriche
Implementazione pratica di problemi scientifici: algebra matriciale applicata, risoluzione numerica di equazioni differenziali, simulazione di processi stocastici.

Testi Adottati

Jake VanderPlas, "Python Data Science Handbook". O'Reilly

NumPy Official Documentation (https://numpy.org/doc/stable/)

Pandas Official Documentation (https://pandas.pydata.org/docs/index.html)

Matplotlib Official Documentation (https://matplotlib.org/stable/users/index.html)

SciPy Official Documentation (https://docs.scipy.org/doc/scipy/index.html)

Modalità Frequenza

Facoltativa

Modalità Valutazione

L'esame consiste in due parti, entrambe valutate nel corso del colloquio orale: (i) la presentazione e la discussione di un progetto sviluppato utilizzando le principali librerie Python per il calcolo e la programmazione scientifica introdotte durante il corso, applicate alla risoluzione di problemi e casi di studio di interesse scientifico; (ii) una prova orale finalizzata a verificare le conoscenze acquisite. Il voto finale è determinato come media aritmetica delle valutazioni ottenute nelle due parti dell'esame.

Programma

1) Librerie per il calcolo scientifico: NumPy
Introduzione agli array multidimensionali e gestione dell'efficienza in memoria. Operazioni vettoriali e matriciali, funzioni matematiche per l'elaborazione di dati numerici.

2) Librerie per il calcolo scientifico: Pandas
Strutture dati fondamentali: Series e DataFrame. Tecniche di caricamento, pulizia, filtraggio e trasformazione dei dati. Gestione dei valori mancanti, operazioni di aggregazione, calcolo di indici statistici.

3) Librerie per il calcolo scientifico: Matplotlib
Visualizzazione grafica dei dati e comunicazione dei risultati. Gestione della struttura delle figure, assi, legende.

4) Librerie per il calcolo scientifico: SciPy
Panoramica sui moduli principali per l'analisi numerica avanzata. Metodi di integrazione numerica, distribuzioni statistiche.

5) Applicazioni e simulazioni numeriche
Implementazione pratica di problemi scientifici: algebra matriciale applicata, risoluzione numerica di equazioni differenziali, simulazione di processi stocastici.

Testi Adottati

Jake VanderPlas, "Python Data Science Handbook". O'Reilly

NumPy Official Documentation (https://numpy.org/doc/stable/)

Pandas Official Documentation (https://pandas.pydata.org/docs/index.html)

Matplotlib Official Documentation (https://matplotlib.org/stable/users/index.html)

SciPy Official Documentation (https://docs.scipy.org/doc/scipy/index.html)

Modalità Frequenza

Facoltativa

Modalità Valutazione

L'esame consiste in due parti, entrambe valutate nel corso del colloquio orale: (i) la presentazione e la discussione di un progetto sviluppato utilizzando le principali librerie Python per il calcolo e la programmazione scientifica introdotte durante il corso, applicate alla risoluzione di problemi e casi di studio di interesse scientifico; (ii) una prova orale finalizzata a verificare le conoscenze acquisite. Il voto finale è determinato come media aritmetica delle valutazioni ottenute nelle due parti dell'esame.

Programma

1) Librerie per il calcolo scientifico: NumPy
Introduzione agli array multidimensionali e gestione dell'efficienza in memoria. Operazioni vettoriali e matriciali, funzioni matematiche per l'elaborazione di dati numerici.

2) Librerie per il calcolo scientifico: Pandas
Strutture dati fondamentali: Series e DataFrame. Tecniche di caricamento, pulizia, filtraggio e trasformazione dei dati. Gestione dei valori mancanti, operazioni di aggregazione, calcolo di indici statistici.

3) Librerie per il calcolo scientifico: Matplotlib
Visualizzazione grafica dei dati e comunicazione dei risultati. Gestione della struttura delle figure, assi, legende.

4) Librerie per il calcolo scientifico: SciPy
Panoramica sui moduli principali per l'analisi numerica avanzata. Metodi di integrazione numerica, distribuzioni statistiche.

5) Applicazioni e simulazioni numeriche
Implementazione pratica di problemi scientifici: algebra matriciale applicata, risoluzione numerica di equazioni differenziali, simulazione di processi stocastici.

Testi Adottati

Jake VanderPlas, "Python Data Science Handbook". O'Reilly

NumPy Official Documentation (https://numpy.org/doc/stable/)

Pandas Official Documentation (https://pandas.pydata.org/docs/index.html)

Matplotlib Official Documentation (https://matplotlib.org/stable/users/index.html)

SciPy Official Documentation (https://docs.scipy.org/doc/scipy/index.html)

Modalità Frequenza

Facoltativa

Modalità Valutazione

L'esame consiste in due parti, entrambe valutate nel corso del colloquio orale: (i) la presentazione e la discussione di un progetto sviluppato utilizzando le principali librerie Python per il calcolo e la programmazione scientifica introdotte durante il corso, applicate alla risoluzione di problemi e casi di studio di interesse scientifico; (ii) una prova orale finalizzata a verificare le conoscenze acquisite. Il voto finale è determinato come media aritmetica delle valutazioni ottenute nelle due parti dell'esame.