Program Semestru

1. Język Python 1

• podstawowe elementy składni

• struktury danych

• Środowisko pracy do pracy z danymi – anakonda, jupyter, biblioteki i moduły

2. Język Python 2

• instrukcje sterujące

• obsługa błędów

• Korzystanie z pythona – notebooks, skrypty

3. Data Wrangling 1

• Tidy Data – co to jest

• Data wrangling, munging, tidying

• Biblioteka Pandas – wprowadzenie. Czytanie danych

4. Data Wrangling 2

• Data Wrangling w praktyce – podstawowe operacje

• Biblioteka Pandas – wybieranie kolumn i „krojenie danych”

5. Data Wrangling 3

• Czyszczenie danych

• Pandas – agregacja, grupowanie

6. Wizualizacja danych 1

• Matplotlib – wprowadzenie

• Proste wykresy

• Konfiguracja wykresu, sztuczki i kruczki

7. Wizualizacja danych 2

• Seaborn – wprowadzenie

• Różnice i podobieństwa do Matplotlib

• Dash by Plotly - interfejsy webowe

8. Zewnętrzne źródła danych

• Pojęcie API i korzystanie z nich. JSON

• Samodzielne pobieranie danych

9. Scraping

• Biblioteka Scrapy

• Biblioteki Beautiful Soup, lxml

• Ściąganie danych z sieci

10. Machine Learning 1

• Klasyfikacja w ML

• Biblioteka scikit

11. Machine Learning 2

• Metryki skuteczności optymalizacja modeli

• Trening klasyfikatorów w scikit

12. Machine Learning 3

• Wybór optymalnego modelu

• Badanie charakterystyk modeli

• Grid search w scikit

13. Machine Learning 4

• Regresja w ML

• Regresja w Scikit

14. Wprowadzenie do maszynowego przetwarzania tekstu

• Specyfika danych tekstowych

• Postawowe metryki dla danych tekstowych

• Klasyfikacja dokumentów w Scikit.

Aby odtworzyć środowisko wykładu można skorzystać z polecenia: conda create --name <envname> --file requirements.txt