Kurs Python - praktyczne wykorzystanie Pythona do analizy danych i automatyzacji

1. Wstęp do języka Python

• wprowadzenie,
• podstawy programowania,
• typy danych: numeryczne, logiczne, tekstowe,
• zmienne. 

2. Przygotowanie środowiska

• instalacja środowiska IDLE/Jupyter,
• obsługa interfejsu IDLE/Jupyter,
• środowisko PyCharm.

3. Podstawowe działania

• instrukcja podstawienia,
• obliczenia arytmetyczne.

4. Struktura danych

• sekwencje (listy, krotki, zakresy),
• słowniki,
• zbiory.

5. Podstawowe instrukcje

• pętle,
• instukcje warunkowe,
• funkcja Range.

6. Listy

• indeksy,
• metody,
• funkcje,
• modyfikacja list.

7. Biblioteka

• zasady korzystania,
• przykładowe biblitoteki i ich funkcje.

8. Analiza danych

• import/eksport,
• czytanie i zapisywanie danych z pliku.

9. Analiza numeryczna - statystyka i arytmetyka

• podstawowe miary statystyczne: średnia, mediana, wariancja, odchylenie standardowe,
• operacje arytmetyczne na danych numerycznych.

10. Biblioteka Pandas

• wprowadzenie do Pandas,
• struktury danych: Series, DataFrame,
• operacje na DataFrame: filtrowanie, grupowanie, agregowanie,
• manipulacja danymi: dodawanie, usuwanie, modyfikowanie danych,
• ładowanie danych z różnych formatów: CSV, Excel, SQL,
• podstawowe operacje statystyczne i analityczne.

11. Biblioteka NumPy

• wprowadzenie do NumPy,
• tablice NumPy (ndarray): tworzenie, indeksowanie, modyfikacja,
• podstawowe operacje matematyczne i funkcje NumPy,
• zaawansowane funkcje: operacje na macierzach, algebra liniowa,
• zastosowania w obliczeniach naukowych.

12. Wizualizacja i raportowanie

• organizacja kodu,
• dokumentowanie kodu,
• efektywne zarządzanie danymi i wynikami analizy.

13. Biblioteka Matplotlib

• wprowadzenie do Matplotlib,
• tworzenie podstawowych wykresów: liniowych, słupkowych, kołowych,
• dostosowywanie wykresów: tytuły, etykiety osi, legendy,
• zapisywanie wykresów do plików.

14. Automatyzacja raportowania

• generowanie raportów w formacie PDF, HTML,
• automatyczne aktualizowanie wykresów i danych w raportach.

15. Uczenie maszynowe – biblioteka Scikit-Learn

• wprowadzenie do Scikit-Learn,
• podstawowe algorytmy: regresja, klasyfikacja, klasteryzacja,
• proces budowy modelu: przygotowanie danych, trenowanie modelu, ewaluacja,
• integracja z Pandas i NumPy w kontekście analizy danych.