Kurs Python - praktyczne wykorzystanie Pythona do analizy danych i automatyzacji

Proces szkoleniowy

Analiza potrzeb szkoleniowych

Jeśli masz życzenie dotyczące programu szkolenia, przeprowadzimy dla Ciebie analizę potrzeb szkoleniowych, która będzie wskazówką dla nas, na jakie aspekty programu położyć większy nacisk – tak, by program szkolenia spełniał konkretne potrzeby.

Co zyskujesz?

Swobodny start z Pythonem - Opanujesz składnię Pythona, typy danych, zmienne, pętle i instrukcje warunkowe, dzięki czemu samodzielnie napiszesz czytelne skrypty do codziennych zadań analitycznych.

Sprawne środowisko pracy - Skonfigurujesz IDLE, Jupyter i PyCharm oraz nauczysz się wygodnie pracować w tych narzędziach, aby szybciej testować kod, analizować dane i porządkować projekty.

Pewna praca na strukturach danych - Nauczysz się używać list, krotek, słowników i zbiorów w praktyce, więc łatwiej uporządkujesz dane wejściowe, przygotujesz je do analizy i unikniesz chaosu w skryptach.

Analiza danych w Pandas i NumPy - Będziesz filtrować, grupować i agregować dane w Pandas oraz wykonywać szybkie obliczenia numeryczne w NumPy, co pozwoli Ci sprawnie analizować realne zbiory danych.

Import i eksport danych - Nauczysz się wczytywać i zapisywać dane z plików CSV, Excel i źródeł SQL, dzięki czemu łatwo połączysz Python z danymi używanymi w firmie lub własnych projektach.

Czytelne wizualizacje wyników - Przygotujesz wykresy w Matplotlib, Seaborn i Plotly, od prostych wykresów po heatmapy i wizualizacje interaktywne, aby lepiej prezentować wnioski i zależności w danych.

Automatyczne raportowanie - Zbudujesz raporty w Jupyter Notebook oraz poznasz automatyczne generowanie zestawień PDF i HTML, co pomoże Ci regularnie dostarczać aktualne wyniki bez ręcznej pracy.

Praktyczny wstęp do machine learningu - Poznasz podstawy regresji, klasyfikacji i klasteryzacji w Scikit-Learn oraz etapy budowy modelu, dzięki czemu zaczniesz wykorzystywać uczenie maszynowe w analizie danych.

Program szkolenia

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

16. Zaawansowane techniki wizualizacji z bibliotekami Matplotlib i Seaborn

przegląd możliwości bibliotek Matplotlib i Seaborn,
tworzenie wykresów wielowymiarowych,
wykresy pudełkowe (boxplots) – analiza rozkładu danych,
Heatmapy – wizualizacja macierzy korelacji,
wykresy rozrzutu z podziałem na kategorie,
dostosowywanie stylów i estetyki wykresów,
tworzenie wykresów wielopanelowych i subplots.

17. Interaktywne wizualizacje z biblioteką Plotly

wprowadzenie do biblioteki Plotly,
tworzenie dynamicznych wykresów liniowych, słupkowych i rozrzutu,
interaktywne heatmapy i wykresy bąbelkowe,
wykresy 3D i ich zastosowania,
integracja wykresów Plotly z aplikacjami webowymi i dashboardami,
eksportowanie wykresów do prezentacji i stron internetowych.

18. Tworzenie dynamicznych raportów z Jupyter Notebook

podstawy pracy w Jupyter Notebook,
łączenie kodu, wizualizacji i tekstu w jednym dokumencie,
tworzenie interaktywnych raportów z wykorzystaniem Markdown,
generowanie dynamicznych wykresów w Jupyter Notebook,
wykorzystanie widgetów do interaktywnej analizy danych,
automatyczne aktualizowanie raportów i zapisywanie wyników.

19. Automatyzacja raportowania z bibliotekami Pandas i Matplotlib

tworzenie raportów PDF i HTML z wynikami analiz,
automatyczna aktualizacja raportów na podstawie nowych danych,
generowanie wykresów i tabel w sposób zautomatyzowany,
eksportowanie wyników do Excela i innych formatów,
tworzenie skryptów raportujących działających w tle,
harmonogramowanie raportów – automatyczne uruchamianie skryptów.

Jakie są wymagania wstępne do udziału w szkoleniu?

Obsługa komputera - Powinieneś swobodnie pracować na komputerze, uruchamiać programy, zapisywać pliki i poruszać się po folderach, ponieważ podczas szkolenia będziesz pracować w kilku środowiskach.

Podstawy pracy z plikami - Powinieneś rozumieć, czym są pliki CSV, Excel i katalogi robocze oraz umieć odnajdywać i zapisywać dane, bo szkolenie obejmuje import, eksport i organizację danych.

Podstawy matematyki - Powinieneś znać podstawowe działania arytmetyczne i rozumieć pojęcia takie jak średnia czy mediana, ponieważ kurs obejmuje analizę numeryczną i podstawową statystykę.

Gotowość do pracy z kodem - Powinieneś być gotowy do samodzielnego wpisywania i poprawiania krótkich fragmentów kodu, ponieważ szkolenie ma charakter praktyczny i opiera się na ćwiczeniach w Pythonie.