Функциональное программирование в Python [2.4]
Понятно и на примерах разбираем: что такое lambda, какие аргументы в неё попадают, кто её вызывает ( map, filter, sorted), как работают замыкания, а также как использовать map(), filter(), enumerate() и zip() без типичных ошибок.
Работа с последовательностями в Python [2.5]
В этом уроке разберём, как Python перебирает элементы коллекций: итерируемые объекты, итераторы, генераторы, а также компактный синтаксис: list/dict comprehensions и generator expressions. В конце — базовые алгоритмы поиска и сортировки на последовательностях.
Типовые задачи с последовательностями в Python [2.6]
Индексация, срезы, преобразования типов последовательностей и сортировка: понятные правила, типовые рецепты и распространённые ошибки. В конце — практические задания и чек‑лист самопроверки.
Обзор магических методов (dunder) в Python [2.9]
Магические методы — это специальные методы, имена которых начинаются и заканчиваются двойным подчёркиванием: __init__, __len__, __iter__, __add__ и т.д. Python вызывает их автоматически, когда вы используете стандартные конструкции языка.
Анализ функций в Python
3.1
С этого момента мы начнём рассматривать, как применяют Python к прикладным задачам. В первую очередь узнаем, как он используется для анализа и решения математических задач.
Выражения в SymPy
3.2
Создание в SymPy чисел, символов и выражений, работа с производными и интегралами. Решение некоторых уравнений (в том числе численно), получение решений дифференциальных уравнений, построение разложений в ряды и графиков.
Матричные исчисления в SymPy
3.3
Программирование, и прикладная математика регулярно сталкиваются с необходимостью хранить и обрабатывать большие наборы чисел. Один из главных способов организовать числовые данные и одновременно получить удобный математический инструмент — это матрицы.
Линейные уравнения и матрицы. Нелинейные уравнения. SymPy.
3.4
Главная мысль урока: в SymPy матрица — это полноценный математический объект, а не “список списков”. Поэтому SymPy умеет корректно выполнять матричные операции, решать \(AX=b\) без “деления матриц”, и выдавать ответы в форматах, удобных для конспектов и отчётов (например, LaTeX).
NumPy - библиотека Python для вычислении на массивах
3.5
Главная мысль: если вы умеете уверенно работать с ndarray (массивом NumPy), то дальше почти все в NumPy становится понятным: создание массивов, изменение формы, операции по осям, линеиная алгебра, статистика и ввод-вывод.