Ciencia de datos con NumPy

• Programadores Python que necesitan rendimiento en cálculo numérico y quieren dominar la biblioteca fundacional del ecosistema científico.
• Estudiantes de ciencia de datos que van a trabajar con Pandas, Scikit-learn y Matplotlib y necesitan una base sólida en arrays y operaciones vectorizadas.
• Ingenieros y científicos que realizan simulaciones, procesamiento de señales, análisis estadístico o álgebra lineal computacional.
• Analistas de datos que quieren entender la capa subyacente de las herramientas que utilizan a diario.

Módulo 1: Introducción e instalación Qué es NumPy y ecosistema científico de Python Instalación con pip/uv y verificación del entorno Módulo 2: Arrays Creación de arrays con array(), zeros(), ones(), arange() y linspace() Propiedades y atributos: shape, dtype, ndim, size Indexación básica, slicing, fancy indexing y máscaras booleanas Modificación de forma: reshape, flatten, transpose, concatenate y split Vistas frente a copias en NumPy 2 Módulo 3: Operaciones con arrays Aritmética element wise, comparaciones y operaciones lógicas Broadcasting: reglas de compatibilidad y patrones comunes Funciones universales (ufuncs): trigonométricas, exponenciales y logarítmicas Funciones de reducción y estadísticas básicas por eje Módulo 4: Estadística y números aleatorios Estadística descriptiva: media, mediana, varianza, percentiles Generación de números aleatorios con Generator y default_rng() Módulo 5: Álgebra lineal Producto matricial, determinante, inversa, autovalores y SVD Sistemas de ecuaciones lineales y mínimos cuadrados Módulo 6: Integración con Pandas y Matplotlib Conversión bidireccional entre arrays NumPy y DataFrames Visualización de arrays con Matplotlib Módulo 7: NumPy avanzado Entrada/salida de archivos: .npy, .npz y texto plano Arrays estructurados con dtype compuesto Rendimiento, vectorización y buenas prácticas Módulo 8: Evaluación final Evaluación de código y test de síntesis

Al completar este curso, serás capaz de:

• Crear, inspeccionar y transformar arrays multidimensionales con total soltura, entendiendo vistas, copias y semántica de copy en NumPy 2.x.
• Aplicar operaciones vectorizadas y broadcasting para cálculos eficientes sin bucles explícitos.
• Utilizar funciones universales (ufuncs) y funciones de reducción por eje.
• Calcular estadísticas descriptivas, correlaciones y generar datos aleatorios con la API moderna de NumPy, consolidando con test de estadística y aleatoriedad.
• Resolver problemas de álgebra lineal: sistemas de ecuaciones, mínimos cuadrados y descomposiciones matriciales.
• Integrar arrays NumPy con Pandas para análisis de datos y con Matplotlib para visualización.