Python od podstaw, przez analizę danych, do machine learning
Python od podstaw, przez analizę danych, do machine learning
Informacje podstawowe
Informacje podstawowe
- KategoriaInformatyka i telekomunikacja / Programowanie
- Grupa docelowa usługi
Szkolenie jest odpowiednie zarówno dla osób początkujących, jak i dla tych, którzy chcą uporządkować wiedzę z Pythona oraz poznać jego praktyczne zastosowania w analizie danych i projektach AI.
- Minimalna liczba uczestników6
- Maksymalna liczba uczestników12
- Data zakończenia rekrutacji10-12-2026
- Forma prowadzenia usługizdalna w czasie rzeczywistym
- Liczba godzin usługi35
- Podstawa uzyskania wpisu do BURCertyfikat systemu zarządzania jakością wg. ISO 9001:2015 (PN-EN ISO 9001:2015) - w zakresie usług szkoleniowych
Cel
Cel
Cel edukacyjny
Po ukończeniu tego szkolenia uczestnik będzie potrafił:1. Posługiwać się językiem Python na poziomie podstawowym i średnio zaawansowanym, tworząc projekty z użyciem Pycharm oraz Jupyter Notebook
2. Operować na podstawowych strukturach danych w Pythonie, takich jak listy, słowniki, krotki i zbiory, oraz wykorzystywać funkcje wbudowane do przetwarzania danych tekstowych i liczbowych.
3. Tworzyć, modyfikować i odczytywać dane z plików tekstowych, obsługiwać wyjątki oraz łączyć się z bazami danych
Efekty uczenia się oraz kryteria weryfikacji ich osiągnięcia i Metody walidacji
| Efekty uczenia się | Kryteria weryfikacji | Metoda walidacji |
|---|---|---|
| Po ukończeniu tego szkolenia uczestnik będzie potrafił: 1. Posługiwać się językiem Python na poziomie podstawowym i średnio zaawansowanym, tworząc projekty z użyciem Pycharm oraz Jupyter Notebook 2. Operować na podstawowych strukturach danych w Pythonie, takich jak listy, słowniki, krotki i zbiory, oraz wykorzystywać funkcje wbudowane do przetwarzania danych tekstowych i liczbowych. 3. Tworzyć, modyfikować i odczytywać dane z plików tekstowych, obsługiwać wyjątki oraz łączyć się z bazami danych 4. Analizować dane tabelaryczne z wykorzystaniem biblioteki Pandas, przeprowadzać operacje czyszczenia, przetwarzania, analizy, a także wizualizacji danych przy użyciu Matplotlib, Seaborn i Plotly. 5. Budować podstawowe modele uczenia maszynowego w Pythonie z wykorzystaniem biblioteki scikit-learn, stosując techniki regresji i klasyfikacji | Każde omawiane zagadnienie jest utrwalane rzędem ćwiczeń o wzrastającym poziomie trudności. Podczas szkolenia uczestnicy wykonują ponad 50 warsztatów. W szkoleniu duży nacisk jest kładziony na dobre zrozumienie zasad działania wykorzystywanych technik, a nie ich odtwórcze stosowanie. | Obserwacja w warunkach rzeczywistych |
Kwalifikacje i kompetencje
Kwalifikacje
Kompetencje
Usługa prowadzi do nabycia kompetencji.Warunki uznania kompetencji
Program
Program
Podstawy Pythona
1. Wstęp do kursu
o Dlaczego Python?
o Główne cechy języka
o Data science - o co w tym właściwie chodzi?
2. Środowisko pracy
o Tworzenie projektu w Pycharm
o Środowisko wirtualne projektu
o Obsługa interfejsu Pycharm
o Interaktywny zeszyt Jupyter Notebook
o Kluczowe różnice między środowiskiem Pycharm, a Jupyter Notebook
3. "Hello world" i pisanie na konsoli
4. Zmienne i typy danych
o Zmienne
o Typy danych
Typ tekstowy
Typy liczbowe
5. Instrukcje warunkowe
o Jeden warunek
o Else
o Wiele warunków
o Operatory logiczne w warunkach
6. Pętle
o Pętla while
o Pętla for
o Zagnieżdżanie pętli
o Instrukcja BREAK
o Instrukcja CONTINUE
7. Łańcuchy znaków
o Funkcje wbudowane
upper
lower
title
replace
len w kontekście ciągów tekstowych
count
strip
split i join - zamiana tekstu na listę i listy na tekst
o Łańcuchy funkcji
o Iterowanie po łańcuchach tekstowych
o Mnożenie tekstu. Ale jak?
o Wygodne sprawdzanie czy tekst zawiera frazę
o Cięcia, cięcia - o cięciu łańcuchów tekstowych słów kilka
8. Listy
o Tworzenie list
o Pobieranie wartości z list
o Iterowanie po listach
o Sprawdzanie czy element znajduje się na liście
o Modyfikowanie zawartości listy
Dodawanie nowych wartości i wstawianie w miejsce istniejących
Usuwanie elementów z listy
o Funkcje wbudowane w listy
Sortowanie i odwracanie list
Inne ciekawe funkcje i możliwości
9. Krotki
o Deklaracja i uzupełnianie krotek danymi
o Pobieranie wartości z krotek
10. Słowniki
o Tworzenie słowników
o Pobieranie wartości ze słowników
o Modyfikacja zawartości słowników
11. Zbiory
o Tworzenie zbiorów i konwersje z innych typów złożonych
o Modyfikowanie zawartości zbiorów
o Funkcja difference
o Funkcja intersect
o Funkcja union
12. Zaawansowane elementy przetwarzania list i zbiorów
13. Wyjątki
o Obsługa wyjątków
14. Funkcje
o Deklarowanie funkcji
o Parametry funkcji
o Wartości domyślne parametrów
o Zwracanie wyników z funkcji
o Dokumentowanie funkcji
15. Moduły
o Definiowanie modułów
o Dokumentowanie modułów i sprawdzanie dostępnych funkcji
16. Korzystanie z plików tekstowych
o Czytanie z plików tekstowych
read()
readlines()
readline()
o Funkcja seek()
o Sprawdzanie ilości linii w pliku
o Zapis w plikach tekstowych
Tryby otwarcia pliku
Wprowadzanie danych do pliku
17. Dane zdalne - wykorzystanie usług sieciowych
o Pobieranie danych za pomocą GET
o Przesyłanie danych za pomocą POST
18. Wykorzystanie baz danych
o Tworzenie baz danych, użytkowników i tabel w bazach danych PostgreSQL
o Łączenie z serwerem PostgreSQL
o Pobieranie danych z użyciem SELECT
o Wstawianie, zmiana i kasowanie danych, oraz operacje DDL
Analiza danych (jeden dzień):
1. Pandas - kluczowy pakiet do danych tabelarycznych
o Wczytywanie danych tabelarycznych (CSV, TSV, XLS)
o Operacje na kolumnach i wierszach
o Filtrowanie i procesowanie danych
o Odczytywanie danych statystycznych
o Modyfikacja danych z użyciem funkcji pythonowych
o Agregacja, podobieństwa do SQL
2. Wizualizacja danych
o Fragmenty Matplotlib - bazowej biblioteki do wykresów w Pythonie
o Seaborn - nieco bardziej estetyczne wykresy
o Plotly - tworzenie interaktywnych wykresów
3. Inne biblioteki (numpy, scipy, polars, pandas profiling)
Uczenie maszynowe (jeden dzień):
1. Co to jest uczenie maszynowe?
o Statystyka a uczenie maszynowe
o Rodzaje problemów
o Przykładowe metody
o Różnica pomiędzy klasyfikacją a regresją
o Rodzaje błędów popełnianych przez algorytmy
o Ekosystem uczenia maszynowego w Pythonie (biblioteka scikit-learn)
2. Budowa modelu uczenia maszynowego na przykładzie regresji liniowej
o Wstępna obróbka danych
o Od jednej zmiennej do wielu
o Walidacja predykcji
o Interpretacja ważności parametrów
o Kluczowe różnice pomiędzy metodami liniowymi
o Zjawisko przeuczania (overfitting) i jak mu przeciwdziałać
o Ustalanie hiperparametrów
3. Przegląd wybranych algorytmów uczenia maszynowego
o Regresja logistyczna
o Drzewa decyzyjne
o Las drzew losowych
o XGBoost
Harmonogram
Harmonogram
| Przedmiot / temat zajęć | Prowadzący | Data realizacji zajęć | Godzina rozpoczęcia | Godzina zakończenia | Liczba godzin |
|---|---|---|---|---|---|
Brak wyników. | |||||
Cena
Cena
Cennik
| Rodzaj ceny | Cena |
|---|---|
Rodzaj ceny Koszt przypadający na 1 uczestnika brutto | Cena 4 305,00 PLN |
Rodzaj ceny Koszt przypadający na 1 uczestnika netto | Cena 3 500,00 PLN |
Rodzaj ceny Koszt osobogodziny brutto | Cena 123,00 PLN |
Rodzaj ceny Koszt osobogodziny netto | Cena 100,00 PLN |
Prowadzący
Prowadzący
Mateusz Zimoch
Informacje dodatkowe
Informacje dodatkowe
Informacje o materiałach dla uczestników usługi
Uczestnicy otrzymają komplet materiałów PDF
Warunki uczestnictwa
Umiejętność korzystania z komputera.
Informacje dodatkowe
Szkolenie kończy się wydaniem certyfikatu imiennego
Warunki techniczne
Warunki techniczne
Dostęp do internetu, laptop/komputer, wideoaplikacja ZOOM lub dostęp do wersji w przeglądarce, możliwość podłączenia się do hostów przygotowanych na pulpicie zdalnym.