Menu Zamknij

Python Data Science

Opis kursu

  • Profesjonalne przygotowanie do pracy na stanowisku programisty w wybranym języku programowania oraz powiązanymi z nim bibliotekami oraz frameworkami.
  • Nauka od podstaw po zaawansowane rozwiązania komercyjne.
  • Zoptymalizowany kod napisany zgodnie z dobrymi praktykami programistycznymi.
  • Szkolenie według planu dopasowanego do najnowszych standardów IT.
  • Nagrania ze spotkań grupowych, które możesz oglądać kiedy tylko chcesz.
  • Ogromna ilość zadań teoretycznych i praktycznych o różnym poziomie trudności.
  • Wsparcie mentora przy rozwiązywaniu problemów związanych z pytaniami teoretycznymi, zadaniami praktycznymi i projektami komercyjnymi.
  • Elastyczny kontakt z mentorem.
  • Profesjonalne przygotowanie do rozmowy kwalifikacyjnej.
  • Profesjonalnie przygotowane portfolio z rozbudowanymi projektami komercyjnymi.
  • Skuteczne techniki nauki programowania.
promocja ikona
PROMOCJA – pierwsze spotkanie GRATIS

Już teraz

zapisz się na kurs​

Zostaw swoje namiary, a skontaktuję się z Tobą w sprawie kursu

    * - pola obowiązkowe

    Administratorem danych osobowych jest KM PROGRAMS KRZYSZTOF MAKOWSKI z siedzibą przy ul. Cicha 7, 42-454 Niegowonice, Polska. Dane osobowe osób korzystających z formularza kontaktowego przetwarzane są w celu identyfikacji nadawcy oraz obsługi zapytania przesłanego przez udostępniony formularz. Więcej informacji o przetwarzaniu danych osobowych, w tym o przysługujących Ci uprawnieniach, znajduje się w Polityce Prywatności.

    Plan kursu

    • Omówienie podstawowych zagadnień z zakresu Data Science
    • Przegląd i porównanie środowisk programistycznych
    • Konfiguracja środowiska Google Colab
    • Konfiguracja środowiska GitHub Codespaces 
    • Konfiguracja środowiska Anaconda
    • Praca z managerem pakietów conda.
    • Praca z platformą Jupyter Notebook
    • Prezentacja właściwości obiektu tablicowego ndarray
    • Pobieranie danych z zasobów zewnętrznych
    • Wektoryzacja
    • Indeksowanie i przechwytywanie części
    • Przegląd operacji tablicowych
    • Funkcje uniwersalne
    • Tworzenie własnych funkcji uniwersalnych
    • Metody matematyczne i statystyczne
    • Tablice i operacje na plikach
    • Algebra liniowa
    • Rozgłaszanie
    • Zarządzanie wymiarami tablic
    • Łączenie i dzielenie tablic
    • Przegląd innych zaawansowanych możliwości zarządzania obiektem tablicowym.
    • Tablice o złożonej strukturze
    • Pakiet Numba
    • Zadania i projekty praktyczne z wykorzystaniem NumPy
    • Obiekt Series
    • Obiekt DataFrame
    • Obiekty index
    • Pobieranie danych z zasobów zewnętrznych do obiektów pandas
    • Zapisywanie danych z obiektów pandas do zasobów zewnętrznych
    • Zarządzanie indeksami i osiami
    • Filtrowanie
    • Działania arytmetyczne
    • Wyrównywanie danych
    • Sortowanie
    • Tworzenie rankingów
    • Zarządzanie zduplikowanymi etykietami
    • Zarządzanie łańcuchami napisów oraz danymi liczbowymi
    • Generowanie podsumowań i statystyk opisowych
    • Współczynnik korelacji
    • Kowariancja
    • Zarządzania wartościami unikalnymi
    • Obsługa brakujących danych
    • Zastępowanie wartości
    • Zmiana nazw indeksów osi
    • Dyskretyzacja
    • Wykrywanie i eliminowanie elementów odstających
    • Permutacje i próbkowanie losowe
    • Wskaźniki i zmienne zastępcze
    • Indeksowanie hierarchiczne
    • Łączenie zbiorów danych
    • Zmiana kształtu i operacje na osiach
    • Grupowanie
    • Agregacja danych i operacje wykonywane na grupach
    • Praca z szeregami czasowymi
    • Zarządzanie danymi kategorycznymi
    • Pandas i biblioteki modelujące
    • Zadania i projekty praktyczne z wykorzystaniem pandas
    • Konfiguracja aplikacji do pracy z pakietem matplotlib
    • Obiekt figure i wykresy składowe
    • Przegląd i praktyczne przykłady wykorzystania wszystkich rodzajów wykresów
    • Zarządzanie kolorami, oznaczeniami, stylami linii na wykresie
    • Zarządzanie punktami, etykietami, legendami na wykresie
    • Zarządzania adnotacjami i grafiką osadzoną na wykresie
    • Zapisywanie wykresów do plików zewnętrznych
    • Wykorzystanie pakietu pandas do generowania wykresów
    • Wykorzystanie pakietu seaborn do generowania wykresów
    • Animacje
    • Przegląd innych możliwości w zakresie wizualizacji danych
    • Przygotowanie i analiza wykresów pod kątem pozyskiwania istotnych informacji
    • Przegląd i praktyczne przykłady wykorzystania biblioteki Plotly
    • Przegląd i praktyczne przykłady wykorzystania narzędzia Dash
    • Tworzenie interaktywnych aplikacji webowych z wykorzystaniem Plotly oraz Dash
    • Zadania i projekty praktyczne wykorzystujące wizualizację danych
    • Instalacja i konfiguracja biblioteki D-Tale
    • Implementacja aplikacji do zarządzania i wizualizacji danych 
    • Zadania i projekty praktyczne wykorzystujące D-Tale
    • Konfiguracja Microsoft Excel do pracy z Python
    • Ładowanie danych z arkuszy Microsoft Excel do obiektów Python
    • Analiza i wizualizacja szeregów czasowych
    • Analiza i wizualizacja danych finansowych
    • Operacje łączenia i agregacji danych
    • Prezentacja praktycznych przykładów innych sposobów przetwarzania danych
    • Biblioteka xlwings
    • Zadania i projekty praktyczne wykorzystujące użycie Python w Excel
    • Przegląd możliwości języka Python w zakresie komunikacji z plikami przechowującymi dane w różnych formatach
    • Implementacja repozytorium do pobierania danych w różnych formatach
    • Zadania i projekty praktyczne wykorzystujące repozytorium do pobierania danych w różnych formatach.
    • Konfiguracja środowiska do pracy z relacyjną bazą danych
    • Język SQL
    • Komunikacja z bazą danych z wykorzystaniem bibliotek Python
    • Implementacja mechanizmów ORM z wykorzystaniem frameworka SQLAlchemy.
    • Zarządzanie schematem bazy danych z wykorzystaniem biblioteki Alembic
    • Implementacja repozytorium do pobierania danych z relacyjnej bazy danych
    • Zadania i projekty praktyczne wykorzystujące komunikację z relacyjnymi bazami danych.
    • Konfiguracja środowiska do pracy z bazą danych nosql
    • Prezentacja możliwości bazy danych nosql MongoDB
    • Zarządzanie danymi w bazie danych z wykorzystaniem biblioteki PyMongo.
    • Implementacja mechanizmów ODM z wykorzystaniem biblioteki MongoEngine.
    • Implementacja repozytorium do pobierania danych z bazy danych nosql
    • Zadania i projekty praktyczne wykorzystujące komunikację z bazami danych nosql.
    • Omówienie zagadnień potrzebnych do pracy z Apache Kafka
    • Implementacja repozytorium Python do komunikacji i zarządzania danymi z Apache Kafka
    • Omówienie zagadnień potrzebnych do pracy z RabbitMQ
    • Implementacja repozytorium Python do komunikacji i zarządzania danymi z RabbitMQ
    • Zadania i projekty praktyczne wykorzystujące komunikację z Apache Kafka oraz RabbitMQ.
    • Konfiguracja i wprowadzenie do Azure Databricks
    • Klastry Azure Databricks
    • Praca z Azure Databricks Notebooks
    • Konfiguracja, komunikacja i zarządzanie danymi z Azure Data Lake
    • Konfiguracja i wprowadzenie do PySpark
    • Pobieranie danych z plików przechowujących dane w różnych formatach
    • Databricks workflows
    • Zarządzanie danymi z wykorzystaniem PySpark
    • Wykorzystanie SQL w PySpark
    • Azure Data Factory
    • Zadania i projekty praktyczne wykorzystujące Azure Databricks oraz PySpark.
    • Konfiguracja i wprowadzenie do Google Cloud Platform
    • Konfiguracja i wprowadzenie do BigQuery
    • Praca z BigQuery Dashboard
    • Tworzenie i zarządzanie schematem tabel w BigQuery
    • Prezentacja praktycznych przykładów wykorzystujących różne rodzaje tabel
    • Praktyczne przykłady operacji na tabelach
    • Komunikacja z zasobami zewnętrznymi
    • Prezentacja praktycznych przykładów wykorzystujących różne rodzaje widoków
    • BigQuery Command Line
    • Implementacja klienta Python do pracy z BigQuery
    • Tworzenie kompletnych łańcuchów przetwarzania danych w Python i BigQuery
    • Optymalizacja pracy BigQuery
    • Zadania i projekty praktyczne wykorzystujące Google Cloud BigQuery

    Newsletter