Programování v Pythonu pro fyziky (FSI-TPY)

Kurz učí studenty efektivně používat jazyk Python pro numerické výpočty, simulace a vizualizaci fyzikálních jevů. Důraz je na aplikace v klasické fyzice a inženýrství – bez statistiky, ale s důrazem na algoritmické myšlení a praktické dovednosti.

Osnova (12 týdnů, 2 h/týden)

• Týden 1: Úvod a vědecký ekosystém Pythonu – NumPy, SciPy, Matplotlib, Pandas; Jupyter Notebook, správa skriptů


• Týden 2: Základy práce s daty – Načítání, filtrování, úprava a vizualizace dat (CSV, TXT); grafy a tabulky


• Týden 3: Numerická derivace a integrace – numpy.gradient, trapézové a Simpsonovo pravidlo; aplikace: výpočet práce a energie


• Týden 4: Řešení diferenciálních rovnic – Metoda Eulerova, Runge–Kutta, solve_ivp; modely: tlumený oscilátor, volný pád


• Týden 5: Lineární algebra v praxi – Matice, vektory, inverze, řešení soustav rovnic (numpy.linalg.solve)


• Týden 6: Interpolace a aproximace – interp1d, polynomická a spline interpolace, aplikace na experimentální data


• Týden 7: Fourierova transformace – Základy FFT, spektrální analýza, frekvenční filtrace signálu


• Týden 8: Numerické simulace fyzikálních procesů – 1D pohyb částice, kmitání, přenos tepla – tvorba jednoduchých modelů


• Týden 9: Numerická simulace 2D pohyb částice – balistická křivka


• Týden 10: Vizualizace a animace – 3D grafy, animace s FuncAnimation, vizualizace trajektorií a polí


• Týden 11: Projektové programování a OOP – Struktura většího programu, moduly, funkce, práce s datovými sadami


• Týden 12: Mini-projekty a shrnutí – Prezentace simulací nebo modelů, diskuze, závěrečné shrnutí metod

Výstupy učení

Student:
- efektivně používá knihovny NumPy, SciPy, Matplotlib
- umí numericky řešit diferenciální rovnice a integrály,
- simuluje jednoduché fyzikální procesy,
- připraví vizualizace a animace dat,
- zvládá strukturovat kód a organizovat projekt v Pythonu.

1. Instalace Pythonu - Anaconda. ChatGPT.
   
2. Správa verzí - GitHub
   
3. Seznamy, n-tice, slovníky.
   
4. Numpy - vektory a matice, maticové operace, maticové a indexové výrazy
   
5. Řídicí struktury.
   
6. Matplotlib - Kreslení grafů: graf bodů v rovině, prostorová křivka, plochy, grafy diskrétních dat.
   
7. Vstup a výstup dat – práce s textem, regulární výrazy.
   
8. Funkce: vestavěné, uživatelem definované, typy parametrů, rekurze.
   
9. Numerická derivace a integrace. Řešení ODR.
   
10. Aplikace objektového přístupu na řešení problému více těles.
    
11. Optimalizační úloha.
    
12. Semestrální práce.
    
13. Odevzdání semestrální práce.
    

JOHANSSON, Robert. Numerical Python: Scientific Computing and Data Science Applications with NumPy, SciPy and Matplotlib. 2. vyd. New York: Apress, 2018. ISBN 978-1-4842-3915-6.