Na kursie semestralnym poruszamy następujące kwestie w ramach omawianych tematów. Każde zajęcia zawierają przedstawienie teoretyczne zagadnień, proste ćwiczenia wykonywane podczas zajęć (samodzielnie lub razem z prowadzącymi), zakończone są zestawem zadań do samodzielnego rozwiązania pomiędzy zajęciami, które umożliwiają utrwalenie i rozszerzenie poznanego materiału. Niektóre tematy zawierają też dodatkowe elementy - warte opanowania, ale nieomawiane podczas samych zajęć.

Szczegółowy zakres kursu przeznaczony jest dla osób posiadających już pewną wiedzę na temat programowania, zarówno w Pythonie jak i w innych językach.

Jeśli nie rozumiesz, co tu jest napisane - nic nie szkodzi, zrozumiesz po kursie! :)

Część pierwsza - składnia języka Python:

1. Instalacja i przygotowanie środowiska, pierwszy skrypt Hello World, operacje na liczbach i napisach

• wprowadzenie do środowiska Code With Mu, obsługa innych środowisk
• plik skryptów .py, uruchamianie skryptów, pisanie kodu i odczytywanie wyników na konsoli
• pierwszy program "Hello World" (instrukcja print)
• proste programy z wyświetlaniem napisów i obliczeniami
• liczby i napisy (stringi) - podobieństwa, różnice, możliwe operacje, przechodzenie pomiędzy typami (rzutowanie)
• znaki specjalne w stringach
• zapis stringów z apostrofami i cudzysłowami
• programy wielolinijkowe, wyświetlanie wielu instrukcji w jednej linijce
• komentarze w kodzie

2. Działania na zmiennych, typy liczbowe, typy logiczne, instrukcja warunkowa if-elif-else

• pojęcie zmiennej i działania na zmiennych
• pobieranie danych od użytkownika (input)
• charakterystyka i nazewnictwo zmiennych
• słowa kluczowe w Pythonie
• dynamiczne typowanie zmiennych - typ int, string, float
• wartości logiczne - True i False
• operacje porównań logicznych (równość, porównanie, różność)
• instrukcja wyboru if
• instrukcje z alternatywą if-else
• instrukcje z wieloma alternatywami if-elif-else
• łączenie warunków logicznych (and i or)
• jednolinijkowy if-else (operator trójargumentowy)

3. Grupowanie danych w Pythonie - kolekcje i operacje na nich (listy, krotki, słowniki, sety)

• przykłady kolekcji i typy kolekcji w Pythonie
• lista jako podstawowa kolekcja elementów
• indeksowanie i własności list
• operacje na listach (modyfikacja elementów, dołączanie, wklejanie, zdejmowanie elementów, odwracanie listy, łączenie list, mnożenie przez liczbę)
• wycinki list (slice) - indeksowanie
• krotki (tuple) - niemodyfikowalne listy, przykłady, charakterystyka
• słowniki (dict) - struktury par klucz-wartość, przykłady, charakterystyka
• operacje na słownikach - tworzenie, dodawanie elementów, usuwanie elementów, odczytanie kluczy lub wartości
• zbiory (set) - struktury o unikalnych elementach, przykłady, charakterystyka
• operacje na zbiorach - tworzenie, dodawanie elementów, usuwanie elementów, sprawdzanie czy element jest w zbiorze
• napisy - operacje jak na listach
• deklaracja kolekcji pustych
• konwersja między typami (rzutowanie i jego konsekwencje)

4. Automatyzacja kodu - pętle for, while, pętle zagnieżdżone, generatory list

• pętla jako sposób na uproszczenie kodu
• pętla for - składnia, przykłady, kolejność wykonywania operacji
• generator range() do pracy z zakresem liczb, użycie w pętli for
• pętla while - składnia, przykłady, kolejność wykonywania operacji
• pętla nieskończona
• instrukcje break i continue
• łączenie pętli z instrukcjami if-else, przerywanie pętli
• pęfla for - iterowanie po kolekcjach
• generator listy - list comprehension, przykłady
• pętle zagnieżdżone ("pętla w pętli")
• konstrukcje for-else oraz while-else

5. Grupowanie kodu - tworzenie i wywoływanie funkcji

• funkcja jako sposób na grupowanie kodu, poznane dotychczas funkcje
• funkcja jako "black box" - input, output, ciało funkcji, wywoływanie funkcji
• składnia i przykłady funkcji
• zwracanie wartości - instrukcja return
• nazewnictwo w funkcjach - parametry, argumenty, zwracany typ, dobre praktyki w tworzeniu funkcji
• parametry o domyślnych wartościach
• wywoływanie z jawnymi parametrami
• rekurencja - wywołanie funkcji przez samą siebie
• zasięg zmiennych w funkcji (lokalne i globalne)
• wyrażenia lambda - funkcje anonimowe
• funkcje ze zmienną liczbą parametrów

6. Poszerzanie możliwości programów - importowanie wbudowanych modułów (m.in. math, random, time, datetime)

• importowanie modułów, biblioteka standardowa Pythona
• moduł random - losowanie liczb
• moduł math - operacje matematyczne
• moduł time - przerywanie programu, mierzenie czasu trwania programów, wyświetlanie godziny, czas unixowy
• moduł datetime - praca z czasem i kalendarzem
• moduł keyword - słowa kluczowe w Pythonie
• różne sposoby importowania modułów (aliasy, from - import, import *)
• dokumentacja języka Python - inne moduły warte poznania
• funkcja dir()
• tworzenie własnych modułów
• pakiety jako zbiory modułów, __init__.py, __name__

7. Operacje na plikach i przetwarzanie tekstu, obsługa wyjątków

• podstawowe operacje na plikach w Pythonie - funkcja open(), handler pliku, tryb otwarcia
• różne sposoby odczytu plików - odczyt całego pliku, n linii, jednej linii, wszystkich linii
• zamykanie pliku - funkcja close()
• konstrukcja with-as do pracy z plikami
• zapis do pliku - tryby write i append
• wyjątki jako nieoczekiwane błędy programu, przykłady wyjątków
• obsługa wyjątków - konstrukcja try-except
• instrukcja finally
• rzucanie wyjątków (raise)
• podstawowe wyjątki do obsługi w programach - praca z dokumentacją
• konstrukcja try-else

8. Podstawy programowania obiektowego w Pythonie

• programowanie proceduralne i obiektowe - charakterystyka
• charakterystyka obiektów, przykłady
• nazewnictwo w programowaniu obiektowym (klasa, obiekt, stan, operacje, pola, metody)
• projektowanie klas w języku Python, przykłady
• tworzenie obiektów, ustawianie wartości pól i ich odczyt, wywołanie metod
• konstruktor klasy - metoda __init__()
• dziedziczenie klas, drzewo dziedziczenia, przykłady
• agregacja, przykłady

Część druga - narzędzia Pythona do Data Science:

9. Środowisko Anaconda / Jupyter Notebook, instalowanie pakietów, tworzenie wykresów - biblioteka Matplotlib

• praca z notatnikami Jupyter Notebook, uruchamianie kodu, podział na komórki, praca z komórkami, skróty klawiszowe
• instalacja bibliotek zewnętrznych w Pythonie
• generowanie danych do wykresów
• proste wykresy w Matplotlib - plot, znaczniki danych (markery), kolory i kształty linii
• wykres funkcji y= f(x), wiele danych na jednym wykresie
• wykresy słupkowe (bar), wykresy kołowe (pie)
• wiele wykresów na jednym oknie (subplot)
• histogramy
• symbole matematyczne

10. Pliki danych CSV i JSON, korzystanie z REST API - biblioteka Requests

• pliki danych CSV/JSON jako "małe" bazy danych
• format pliku CSV - header, separator, standardy
• plik CSV w Pythonie - odczyt klasycznie, odczyt z modułem csv, zapis danych
• format pliku JSON - zagnieżdżanie słowników i list, moduł pprint
• plik JSON - odczyt danych, zapis danych, moduł json, odczyt i zapis danych surowych
• biblioteka Requests
• pobieranie danych z REST API, przetwarzanie i odczyt danych
• przetwarzanie surowego tekstu z requests
• pobieranie danych i wyświetlanie wykresu w Matplotlib

11. Obliczenia numeryczne, typ ndarray - biblioteka Numpy

• biblioteka Numpy do obliczeń numerycznych
• typ danych ndarray - charakterystyka, podobieństwa i różnice tablic ndarray z klasycznymi listami
• predefiniowane tablice, podstawowe generatory (zeros, ones, linspace, arange, random)
• tablice N-wymiarowe - kształt, rozmiar, indeksowanie w Numpy, wycinki tablic
• operacje na elementach tablic
• funkcje matematyczne i statystyczne w Numpy
• generowanie danych z rozkładów statystycznych, histogram rozkładu
• odczyt danych z pliku TXT, przetwarzanie danych, rysowanie wykresu
• macierze w Numpy
• maski tablicy, operacje logiczne na elementach, konstrukcja where
• filtrowanie i "naprawa" danych z Numpy
• biblioteka Scipy - rozszerzenie Numpy do prac naukowych

12. Pobieranie i obróbka danych, Data Series i Data Frame - biblioteka Pandas

• biblioteka Pandas do pracy z danymi tabelarycznymi
• struktury danych w Pandas: Data Series i Data Frame
• Data Series - tworzenie serii z listy, tablicy Numpy, słownika, indeksowanie, podstawowe operacje
• Data Frame - tworzenie tabeli z listy, tablicy wielowymiarowej, słownika, pojęcie indeksów i kolumn
• różne sposoby odwołania do indeksów, kolumn i elementów w Data Frame, własności Data Frame
• łączenie danych (concat)
• edycja kolumn, dodawanie nowych kolumn, zmiana nazw, łączenie zawartości wielu kolumn
• odczyt plików CSV i Excel w Pandas, szybkie charakterystyki
• filtrowanie danych
• grupowanie danych (groupby)
• wartości unikalne i duplikaty
• obsługa brakujących danych (NaN)
• przetwarzanie danych - funkcja map() i wyrażenia lambda
• zapis do plików CSV i Excel
• odczyt i zapis danych z Rest API / JSON

13. Praca w parze ze sztuczną inteligencją - używanie ChatGPT do nauki i pisania programów!

• generowanie kodu w ChatGPT, prompt engineering
• sposoby na poprawianie odpowiedzi, zasady Clean Code, stosowanie PEP8
• charakterystyka typowego kodu generowanego przez AI
• walidacja i testowanie kodu z AI
• dostosowanie kodu do modelu danych (przykład pliku CSV oraz web scrapping)
• nauka programowania ze sztuczną inteligencją
• przyszłościowy zawód - "promptista"