PYTHON
- Úvod do jazyka PYTHON pro datovou vědu - prezenční kurz
- Příprava dat v PYTHONu - knihovny Numpy, Pandas, Matplotlib - prezenční kurz
Úvod do jazyka PYTHON pro datovou vědu - prezenční kurz
Kontakt: education@elderberrydata.com
Délka kurzu: 8 hodin
Pro koho je kurz určen: pro analytiky - začátečníky a mírně pokročilé v jazyce PYTHON, se zájmem o další vzdělávání na poli datové vědy
Předpokládané znalosti: počítačová gramotnost, analytické zkušenosti výhodou
Co se v kurzu naučíte:
- základy jazyka PYTHON
- porozumět logice středně složitých skriptů v PYTHONU a umět je upravit, rozšířit, i napsat svoje
- práci v interaktivním prostředí Jupyter Notebooku
- povědomí o tom, jakým směrem se na poli datové vědy dále vzdělávat
Doplňkové informace: účastníci kurzu obdrží i jeho on-line verzi (výuková videa v češtině, všechny pracovní materiály, přístup "doživotně", pro webová a mobilní prostředí)
Obsah kurzu
Část 1 Seznámení s prostředím a základy PYTHONu od nuly
- Seznámení s Jupyter Notebookem a distribucí Anaconda
- Základní operace v jazyce Python Matematické operace, závorky, umocňování, modulo
- Intermezzo: Efektivní práce s Jupyter Notebookem
- Základní datové typy - řetězce a seznamy, slovníky a tuple
- Porovnání hodnot a logické operátory
- Větvení programu - podmínky if - elif - else
- Praktické cvičení 1
Část 2 Užitečné funkce, cykly, základní operace s řetězci
- Užitečné funkce - type, len, range, sum, max, min, operátor in, zip, třídění
- Operace s řetězci - provádění konverzí, replace, split
- Cykly - cyklus for, cyklus while
- Datový typ set
- Problematika kopírování vs. klonování (proměnných, seznamů)
- Definování a používání vlastních funkcí
- Praktické cvičení 2
Část 3 Základní práce se soubory, ošetření běhu programu, moduly PYTHONu
- Klasická práce se soubory - open, close, read, append, write, tell, read
- Práce se soubory pomocí "with" - read, append, write, rstrip, splitline
- Ošetření chyb běhu programu - try, except, else
- Vybrané základními moduly Pythonu - math, os, csv, unicodedata
- Modul re a regulární výrazy
- TOP moduly pro datovou vědu - Numpy, Pandas, SciKitLea, Matplotlib,...
- Praktické cvičení 3
Část 4 Inspirace pro další kroky na poli datové vědy
- Velké moduly pro datovou vědu
- Webové platformy pro datovou vědu
Závěr kurzu - jak pokračovat
Příprava dat v PYTHONu - knihovny Numpy, Pandas, Matplotlib- prezenční kurz
Kontakt: education@elderberrydata.com
Délka kurzu: 8 hodin
Pro koho je kurz určen: pro analytiky - středně pokročilé v jazyce PYTHON, se zájmem o další vzdělávání na poli datové vědy
Předpokládané znalosti: základy jazyka PYTHON, analytické zkušenosti
Co se v kurzu naučíte:
- jak efektivně používat nástroje z hlavních knihoven pro datovou vědu
- jak připravit vaše data jak vaše data analyzovat pomocí vybraných funkcí a metod
- jak vizualizovat vaše data
- povědomí o tom, jakým směrem se na poli datové vědy dále vzdělávat
Doplňkové informace: účastníci kurzu obdrží i jeho on-line verzi (výuková videa v češtině, všechny pracovní materiály, přístup "doživotně", pro webová a mobilní prostředí)).
Během kurzu je k dispozici občerstvení (káva, minerálka) a oběd v kantýně Nostress, která je součástí komplexu
Obsah kurzu
Část 1 Opakování - Jupyter Notebook
- Seznámení s Jupyter Notebookem a distribucí Anaconda
- Efektivní práce s Jupyter Notebookem
- Praktické cvičení 1 - Efektivní práce s Jupyter Notebookem
Část 2 Knihovna Numpy
- Numpy as np
- Datový typ Numpy Array - co to je
- Porovnání Numpy a seznamů
- Základní operace a funkce pro Numpy Array
- Praktické cvičení 2
- Numpy a lineární algebra (operace s vektory a maticemi)
- Příklady použití funkcí a metod Numpy v datové vědě
- Praktické cvičení 3
Část 3 Knihovna Pandas
- Datový typ Pandas Series - co to je
- Základní operace s Pandas Series
- Praktické cvičení 4
- Datový typ Pandas DataFrame - co to je
- Základní operace s Pandas DataFrame
- Praktické cvičení 5
- Základní funkce a metody knihovny Pandas
- Příklady použití funkcí a metod Pandas v datové vědě
- Praktické cvičení 6
Část 4 Knihovna Matplotlib
- Vizualizace dat v Matplotlib
- Základní typy grafů
- Klasický vs. Objektový přístup
- Vícenásobné a vložené grafy
- Ladění výstupu
- Příklady použití funkcí a metod Matplotlib v datové vědě
- Praktické cvičení 6
- Další možnosti vizualizace pomocí knihovny Seaborn
Část 5 Inspirace pro další kroky na poli datové vědy
- Další moduly pro datovou vědu
- Webové platformy pro datovou vědu
Závěr kurzu - jak pokračovat, strojové učení v PYTHONu