Python и облачные вычисления в науке

1. Обзор Python как языка для научных исследований. Jupyter-Notebook. Простейшие типы данных и действия с ними. Что можно сделать с минимальными знаниями языка. 

2. Форматирование выдачи - f-strings. Обращение f-strings - модуль parse. Условные операторы, циклы. Примеры из реальной жизни.

3. Коллекции: списки, множества, словари, кортежи. Модуль collections. Когда и зачем использовать тот или иной тип данных. Автоматизируем рутинные задачи. Случайные числа в Python. Делаем простую симуляцию. 

4. Работа с текстовыми файлами. Json. Бинарные файлы. Модуль pathlib. Примеры форматов файлов из реальной науки того, как осуществлять работу с ними. Пишем конвертеры форматов. 

5. Введение в Linux. Что такое сервер. SSH. Подключение к серверу, основы работы в shell. Базовые команды. scp. Работа со сжатыми файлами. Права. 

6. Sudo. Редактирование файлов на удаленном сервере. Grep. Пайплайны. Egrep. Sed. Исполняемые файлы и как запустить свой скрипт на сервере. Основы работы на кластере. Очередь. 

7. Работа со сторонними CLI-программами в bash. Как запустить скрипт на сервере так, чтобы он продолжал работать после выхода с сервера - nohup, tmux, etc. Как (почти) не зная git, использовать пакеты и программы, размещенные только на Github. Переменные в bash. Написание простых скриптов на bash и когда это нужно, а когда лучше обратиться к Python. Файлы настроек. 

8. Export. Переменные окружения. Простые способы запустить параллельные вычисления в bash. Проброс портов. Как запустить jupyter на сервере и работать с ним с локального компьютера. Просмотр занятых ресурсов и запущенных процессов на сервере. 

9. Pip. Conda. Функции в Python и принцип DRY. Исключения. Типичные ошибки работы с исключениями. With-конструкция. sys. requests. json. Работа с информацией из онлайн баз данных. 

10. Введение в ООП. Зачем оно и как облегчает работу с научными данными. dataclasses. 

11. Итераторы. itertools. Генераторы и их необходимость при работе с большими данными. argparse. tqdm. typer. 

12. Matplotlib. Numpy и почему это быстро. Scipy. Базовый анализ данных. Культура кода в научных исследованиях. Как сделать свой код воспроизводимым. 13. Pandas. Seaborn. Plotly. Обработка больших табличных данных. Агрегация данных, создание сводных таблиц. Создание интерактивных визуализаций для научных статей. 

14. Statsmodels. Статистика. Базовые тесты и как их считать. Необходимость визуализации данных для правильной трактовки результатов. Корреляция и ее аналоги. 

15. Как ускорить ваши вычисления. Subprocess. Concurrent.futures. GIL. Сython. Numba. prefect. Pytorch как GPU-ускорение numpy.