Apostila/Livro: Programação Científica em Python - Computação Numérica e Data Science

  Foi-se o tempo que programação era coisa de estudante de Computação ou Engenharia de Computação. Hoje, é raro algum curso acadêmico não estudar ou usar, de alguma maneira, a programação.

Se você for de ciências exatas, então...provavelmente é obrigatório o domínio de alguma linguagem de programação.

Se está querendo aprender bem os conceitos da programação em Python, para usar com propósito científico, ou acadêmico de um modo geral, eu posso te ajudar.

Quem deve estudar Programação Científica

Principalmente, estudantes, professores e pessoas das seguintes áreas:

• Computação
• Física
• Química
• Matemática
• Todas as Engenharias (principalmente Computação, Telecomunicações e de Software)
• Biotecnologia
• Oceanografia
• Estatística
• Contabilidade
• Ciência de Dados
• Análise de Dados
• Análise e Desenvolvimento de Sistemas
• Sistemas de Informação
• Economia e Finanças
• Geografia (Cartografia e Geoprocessamento)
• Geologia
• Todas relacionadas com TI (Tecnologia da Informação)
• Segurança da Informação, Inteligência Artificial
• Etc etc etc (eu ainda continuo descobrindo novos cursos que usam)

Entenda a programação como uma ferramenta, igual a Matemática. Onde se usa Matemática? Em praticamente tudo, na vida. A programação está indo no mesmo caminho.

Mas ao invés de usarmos direto a matemática, vamos fazer com que os computadores usem por nós :)

Assim, obtemos informações e resultados bem melhores, maiores, mais rápidos e mais interessantes (como gráficos).

Por que se deve estudar Programação Científica ?

Imagine que alguém te entregue um livro, em Grego, da sua área. É o melhor, maior e mais completo livro. Tem tudo que você deve aprender.

Qual a primeira coisa que vai estudar? O assunto do livro? Não. A língua, o grego. Pois você ainda não sabe grego.

Aprender a programar em Python é como aprender Português ou Inglês, é uma linguagem também. Porém, se aprende bem mais rápido e de maneira bem mais fácil.

Toda a ciência hoje em dia está sendo escrita nessa linguagem: a da programação.
Entende a importância de dominar o Python, para poder usá-lo na sua área?

Como se deve estudar Programação Científica

Infelizmente, a maioria das pessoas do meio científico estão aprendendo aos trancos e barrancos. Professores e orientadores simplesmente enviam os códigos e assumem que você sabe o que significa aquilo, acertei?

Isso é errado e traumatiza. Mais assusta que ensina.
Mas vamos te orientar.

É como a língua inglesa, hoje em dia: independente de sua área, primeiro aprenda inglês, depois leia assuntos de seu interesse, em inglês.

Você deve, primeiro, aprender bem os fundamentos da programação, da lógica, como usar os principais comandos e principais ferramentas. Isso vale para todo mundo. 

Porém, você não tem muito tempo. Sua graduação, TCC, mestrado ou doutorado já está em andamento e você tem pressa. Mais uma vez, acertei?

Mas não precisa se aprofundar muito na programação pura, você pode usar ela já direto em sua área científica ou acadêmica, para seu trabalho.

É isso que iremos fazer em nosso livro/apostila Programação Científica em Python, vamos te ensinar a programar BEM, ao passo que vamos usar esses conhecimentos em seus propósitos específicos acadêmicos.

O que vamos estudar no Programação Científica em Python

Primeiro, um belo e rápido curso de Python, bem explicado, com muitos exemplos, código comentado, exercícios propostos e resolvidos. Sem enrolação, ensinando os comandos, técnicas e principais algoritmos que todo cientista deve saber.

Em seguida, dentre outras coisas, você vai aprender:

• Vetores, Matrizes e Arrays multidimensionais
• Cálculo (limites, derivadas, integrais e séries)
• Equações
• Equações diferenciais ordinárias
• Equações diferenciais parciais
• Álgebra Linear (equações lineares, equações não-lineares, autovalor etc)
• Plottagem (como criar e visualizar gráficos)
• Otimização
• Interpolação (polinômios)
• Análise e Processamento de dados
• Estatística
• Modelagem estatística (Regressão Linear, Regressão Discreta, Modelo de Poisson, Times Series)
• Estatística Bayesiana
• Processamento de SInais (Fourier, Filtro de sinais, Convolução, Análise Espectral)
• Machine Learning (Regressão, Classificação, Clustering)
• Visualização Geoespacial (Geopy)
• Criação de mapas (Cartopy)
• Python com Latex
• Animações (que tal ver um gráfico se mover, ou uma onda do mar se mover?)
• Conjuntos de Mandelbrot
• Simulação (desde átomos e vírus, até prédios e galáxias)

Python, por que usar essa linguagem ?

De fato, você pode usar várias linguagens de programação, em seus estudos e trabalhos científicos. Mas de longe, bem de longe, Python é atualmente a melhor escolha, pois:

• A linguagem e suas principais ferramentas e programas são total e inteiramente gratuitos, livres para todos usarem
• É reconhecidamente uma linguagem fácil de aprender (e seu foco não é a linguagem, e sim aprender a usar ela), você não precisa se aprofundar em computação
• É a linguagem mais usada, hoje em dia, em universidades e empresas voltadas para pesquisa
• É uma das linguagens mais famosas do mundo, inclusive fora do meio acadêmico
• Devido sua fama e facilidade, a comunidade é a maior que existe: qualquer dúvida ou problema que tiver, facilmente você encontra a solução na internet
• Como a linguagem é de código aberto, qualquer pessoa pode usar ela para criar novos programas e ferramentas, ou seja:
• A todo instante surgem novas facilidades, feitas em Python, inclusive por cientistas, logo:
• A quantidade de sistemas, de todas as áreas do conhecimento, feitos em Python, e disponíveis livremente pra uso, é imensa

Veja alguma das bibliotecas e pacotes que você poderá usará:

• NumPy (todos os tipos de cálculos numéricos)
• SciPy (técnicas mais específicas, usada em meios científicos, como teses de mestrado e doutorado)
• SymPy (usar símbolos matemáticos e científicos)
• Matplotlib (plotar imagens em 2D, 3D, animações, todo tipo de gráfico e imagem)
• Pandas (Series, DataFrame, TimeSeries)
• Seaborn
• h5py
• PyTables (quantidade de dados massivas)
• Cython, Numba
• Miniconda e Conda
• TensorFlow, SciKit e PyTorch (Machine Learning)
• Keras (redes neurais)