Python Developer XL - analiza danych i AI

Lp.

Temat zajęć edukacyjnych

Liczba godzin zajęć teoretycznych

Liczba godzin zajęć praktycznych

1

Wprowadzenie do programowania i środowiska — Podstawy działania komputera — Systemy operacyjne — Przegląd języków — Wstęp do Python (Geneza, Wersje 2.x vs 3.x) — Instalacja i konfiguracja środowiska — Interpreter — Wirtualne środowisko (venv) — Konfiguracja IDE (PyCharm) — Pierwsze skrypty

4

4

2

Podstawy składni języka Python — Interakcja z użytkownikiem (input/output) — Zmienne i typy danych — Operatory — Struktury danych: Listy i ich metody — Krotki — Słowniki i Zbiory — Mutowalność vs niemutowalność — Konwersja typów

4

4

3

Sterowanie przepływem programu — Instrukcje warunkowe (if, else, elif) — Pętle (for, while) — Instrukcje sterujące (break, continue, pass) — Wyrażenia typu "comprehension" (list, dict comprehension) — Zagnieżdżone struktury danych

4

4

4

Programowanie proceduralne — Definiowanie funkcji — Argumenty pozycyjne i nazwane — Wartości domyślne — *args i **kwargs — Zasięg zmiennych (local vs global) — Funkcje lambda — Dokumentacja (docstrings) i adnotacje typów

4

4

5

Programowanie obiektowe (OOP) — Część 1 — Paradygmat obiektowy — Klasy i obiekty — Atrybuty i metody instancji — Konstruktor __init__ — Parametr self — Enkapsulacja i ukrywanie danych

4

4

6

Programowanie obiektowe (OOP) — Część 2 — Dziedziczenie — Polimorfizm — Metody specjalne (magiczne) — Metody statyczne i klasowe — Dekoratory w Pythonie — Abstrakcja

4

4

7

Organizacja kodu i obsługa błędów — Moduły i pakiety — Importowanie — Struktura projektu Python — __main__ — Obsługa wyjątków (try, except, else, finally) — Rzucanie wyjątków (raise) — Tworzenie własnych wyjątków

4

4

8

Biblioteka standardowa i operacje na plikach — Moduły: os, sys, pathlib — Obsługa daty i czasu (datetime, time) — Kolekcje (collections) — Operacje na plikach tekstowych (open, read, write) — Serializacja danych (JSON, Pickle) — Kontekst menedżerowie (with)

4

4

9

Narzędzia profesjonalisty i jakość kodu — Instalacja bibliotek zewnętrznych (PyPI, pip) — Zarządzanie zależnościami (requirements.txt) — Styl kodowania PEP8 — Lintery — Debugowanie kodu (pdb, debugger w IDE) — Podstawy testowania jednostkowego (unittest, pytest)

4

4

10

Praktyczne zastosowania Pythona — Wstęp do tworzenia aplikacji — Wyrażenia regularne (re) — Obsługa argumentów linii poleceń (argparse) — Podstawy komunikacji sieciowej (HTTP requests) — Wstęp do aplikacji webowych (koncepty frameworków np. Django/Flask)

4

4

11

Środowisko pracy Data Science — Anaconda i Conda — Jupyter Notebook i Jupyter Lab — Markdown — Notacja LaTeX — Wstęp do NumPy — Tablice (arrays) — Typy danych w NumPy — Wydajność vs listy Pythona

4

4

12

Obliczenia numeryczne z NumPy — Operacje na macierzach i wektorach — Indeksowanie i wycinanie (slicing) — Wektoryzacja operacji — Broadcasting — Algebra liniowa w NumPy — Generowanie liczb losowych — Rozwiązywanie układów równań

4

4

13

Przetwarzanie danych z Pandas — Część 1 — Struktury: Series i DataFrame — Wczytywanie danych (CSV, Excel, SQL, JSON) — Eksploracja danych (head, describe, info) — Indeksowanie i selekcja danych (loc, iloc) — Filtrowanie danych

4

4

14

Przetwarzanie danych z Pandas — Część 2 — Czyszczenie danych (Data Cleaning) — Obsługa brakujących danych (Missing Data) — Usuwanie duplikatów — Zmiana typów danych — Operacje na napisach w Pandas — Funkcje apply i map

4

4

15

Zaawansowane operacje na danych — Grupowanie i agregacja (groupby) — Tabele przestawne (pivot tables) — Łączenie zbiorów danych (merge, join, concat) — Przekształcanie wymiarów (reshaping, stack/unstack) — Szeregi czasowe w Pandas

4

4

16

Wizualizacja i Analiza Statystyczna — Matplotlib (tworzenie wykresów, formatowanie) — Seaborn (wizualizacje statystyczne) — Wykresy interaktywne (wstęp) — Podstawy statystyki opisowej — Korelacja — Rozkłady zmiennych — Testowanie hipotez

4

4

17

Machine Learning — Fundamenty — Podział metod (nadzorowane, nienadzorowane) — Proces ML — Przygotowanie zbiorów (treningowy, testowy, walidacyjny) — Feature Engineering — Skalowanie i normalizacja danych — Problem przeuczenia (Overfitting) i niedouczenia

4

4

18

Algorytmy uczenia nadzorowanego — Regresja liniowa i wielomianowa — Regresja logistyczna — Metryki oceny regresji i klasyfikacji — Drzewa decyzyjne — Lasy losowe — Maszyny wektorów nośnych (SVM) — K-najbliższych sąsiadów (KNN)

4

4

19

Uczenie nienadzorowane i optymalizacja — Klasteryzacja (K-means, hierarchiczna) — Redukcja wymiarowości (PCA) — Dobór hiperparametrów (Grid Search) — Walidacja krzyżowa (Cross-validation) — Pipelines w Scikit-learn

4

4

20

Wstęp do Deep Learning i Sieci Neuronowych — Budowa neuronu — Perceptron — Funkcje aktywacji (ReLU, Sigmoid, Softmax) — Propagacja wsteczna (Backpropagation) — Funkcje straty — Biblioteki DL: TensorFlow vs PyTorch — Wstęp do Keras API

4

4

21

Architektury sieci głębokich — Wielowarstwowe perceptrony (MLP) — Konwolucyjne sieci neuronowe (CNN) do analizy obrazu — Warstwy konwolucyjne i pooling — Rekurencyjne sieci neuronowe (RNN, LSTM) do analizy sekwencji — Transfer Learning

4

4

22

Nowoczesne AI i Projekt Końcowy — Modele Transformers (Hugging Face) — Wstęp do JAX — Wdrażanie modeli (Deployment - wstęp) — Etyka w AI — Projekt zaliczeniowy: End-to-end ML project (od danych do predykcji) — WALIDACJA EFEKTÓW UCZENIA

4

4

OGÓŁEM

LICZBA GODZIN NAUCZANIA

88

88