Διδασκόμενη ύλη

• Μεταβαλλόμενα αντικείμενα: Λεξικά (Dictionaries), Σύνολα (Sets).
• Δημιουργία βιβλιοθηκών συναρτήσεων (modules).
• Εισαγωγή σε βιβλιοθήκες της Python:
  • NumPy, Scipy
    • Δημιουργία μονοδιάστατων, (γενικότερα, n-διάστατων) πινάκων
    • πράξεις με πίνακες
    • αντιμετώπιση απλών προβλημάτων Γραμμικής Άλγεβρας: επίλυση απλών συστημάτων γραμμικών εξισώσεων, εφαρμογές πολλαπλής παλινδρόμησης κλπ.
  • Matplotlib (δημιουργία απλών και σύνθετων διαγραμμάτων)
  • Pandas (χειρισμός δεδομένων από αρχεία ειδικού τύπου (.csv, .xlsx κλπ.)
• Αρχές Αντικειμενοστραφούς Προγραμματισμού (κλάσεις, στιγμιότυπα, ιδιότητες, συναρτήσεις, κληρονομικότητα)

Ιστοσελίδα μαθήματος

Το eclass του μαθήματος.

Μαθησιακά αποτελέσματα

Με την επιτυχή ολοκλήρωση του μαθήματος ο φοιτητής/τρια αναμένεται:

• να έχει ολοκληρώσει το μεγαλύτερο μέρος των δυνατοτήτων της γλώσσας Python.
• να γνωρίζει τη χρήση διάφορων βιβλιοθηκών όπως π.χ.:
  • NumPy, SciPy (Μαθηματικοί υπολογισμοί με πίνακες)
  • Matplotlib (Σχεδίαση γραφικών παραστάσεων)
  • Pandas (Χειρισμός δεδομένων από αρχεία όπως .csv, .xlsx κλπ.)
• να χρησιμοποιεί τις δυνατότητες του Αντικειμενοστραφούς Προγραμματισμού.
• να αποκτήσει τη δυνατότητα δημιουργίας μεσαίων ή/και περισσότερο εξειδικευμένων εφαρμογών για την επεξεργασία πειραματικών δεδομένων στα πλαίσια των εργαστηριακών μαθημάτων του προγράμματος σπουδών, όπως προσαρμογή βέλτιστης καμπύλης σε πειραματικά δεδομένα, δημιουργία απλών διαγραμμάτων κλπ.
• να έχει την απαραίτητη προετοιμασία ώστε να μπορεί να παρακολουθήσει τα επόμενα υπολογιστικά μαθήματα του προγράμματος σπουδών: Υπολογιστική Επιστήμη Υλικών Ι (ΕΜΥ-415) και ΙΙ (ΕΜΥ-416), καθώς και όποια μαθήματα απαιτούν δεξιότητες προγραμματισμού ΗΥ.
• να έχει αναπτύξει ένα συστηματικό τρόπο ανάλυσης ενός σύνθετου, πολύπλοκου προβλήματος σε πολλά, απλά και εύκολα επιλύσιμα στάδια. Η συγκεκριμένη δεξιότητα είναι απαραίτητη σε πολλά μαθήματα θετικών επιστημών και βασικό χαρακτηριστικό ενός επιστήμονα.

Το μάθημα σύμφωνα με το Ευρωπαϊκό Πλαίσιο Προσόντων Δια Βίου Μάθησης είναι επιπέδου 6 ως μάθημα πρώτου κύκλου σπουδών.

Μέθοδοι Aξιολόγησης

Η αξιολόγηση γίνεται στα ελληνικά. Οι φοιτητές εξετάζονται και αξιολογούνται γραπτά κατά τη διάρκεια και στο τέλος του εξαμήνου.

Βιβλιογραφία

• Σημειώσεις διδάσκοντος.
• Python Εισαγωγή στους Υπολογιστές (4η αναθεωρημένη έκδοση), 2021, Ν. Αβούρης, Μ. Κουκιάς, Β. Παλιούρας, Κυρ. Σγάρμπας, Πανεπιστημιακές Εκδόσεις Κρήτης.
• Το βιβλίο της Python, 2019, Ν. Σαμαράς, Κων/νος Τσιπλίδης, Εκδ. Κριτική, ISBN: 978-960-586-312-8.
• A Primer on Scientific Programming with Python (5th edition), Hans Peter Langtangen, Springer, 2016, ISBN 978-3-662-49886-6.
• Introduction to Scientific Programming with Python, Joakim Sundnes, SIMULA – Springer Open, 2020, ISBN 978-3-030-50355-0.
• Numerical Python: Scientific Computing and Data Science Applications with Numpy, SciPy and Matplotlib (2nd edition), Robert Johansson, Apress, 2019, ISBN 978-1-4842-4245-2.
• Python Programming and Numerical Methods A Guide for Engineers and Scientists, Qingkai Kong, Timmy Siauw, Alexandre M. Bayen, Elsevier – Academic Press, 2021, ISBN 978-0-12-819549-9.
• Effective Pandas Patterns for Data Manipulation, Matt Harrison, 2021, ISBN ‎ 979-8772692936.
• Computational Physics (3rd edition), Rubin H. Landau, Manuel J. Páez, Cristian C. Bordeianu, Wiley-VCH, 2010, ISBN 978-3-527-41315-7.
• Computational Problems for Physics, Rubin H. Landau, Manuel José Páez, CRC Press, 2018, ISBN 978-1-1387-0541-8.