Curso NumPy

NumPy define cómo se representan y procesan los datos numéricos en gran parte del ecosistema Python. Proporciona el objeto ndarray, homogéneo y optimizado para operaciones vectorizadas en código nativo. Es la base sobre la que se construyen Pandas, Scikit-learn, Matplotlib, SciPy y TensorFlow; la mayor parte de los flujos de datos y ML en Python dependen de NumPy directa o indirectamente.

La serie 2.x moderniza tipos, copias y el API público frente a módulos internos. Este itinerario sigue la documentación oficial y la guía de migración a NumPy 2: np.asarray, vistas frente a copias, y Generator (default_rng) para aleatoriedad reproducible.

Qué incluye este itinerario

• Introducción e instalación: contexto en el ecosistema científico, instalación con pip o uv y comprobación del entorno.
• Arrays: creación (array, zeros, ones, arange, linspace), atributos (shape, dtype, ndim), indexación básica y avanzada, cambios de forma (reshape, transpose, concatenate), y memoria en NumPy 2 (vistas, copy, APIs públicas).
• Operaciones: aritmética elemento a elemento, broadcasting, ufuncs y reducciones por eje (sum, mean, max, min).
• Estadística y aleatoriedad: descriptivos, correlación, covarianza, Generator y test de consolidación.
• Álgebra lineal: producto matricial, determinante, inversa, autovalores, SVD, sistemas Ax = b y mínimos cuadrados con numpy.linalg.
• Integración: Series/DataFrames y gráficos con Matplotlib, con retos de código dedicados.
• Evaluación final: reto de código, orientación al examen y test de síntesis.

Público objetivo

• Desarrolladores Python que necesitan rendimiento numérico y claridad sobre memoria y vistas.
• Perfiles de datos y ML que requieren una base sólida antes de Pandas o frameworks de modelado.
• Cualquier persona que trabaje con datos tabulares o matrices y quiera entender la capa bajo Pandas y Scikit-learn.