Python

Już 25000 studentów uczy się Pythona na różnych poziomach zaawansowania! Python to aktualnie najpopularniejszy język programowania. Poznaj go i Ty!

Poniższa mapa ma pomóc w wyborze właściwych kursów i ich kolejności, ale… tak na prawdę wybór należy do Ciebie, np. Pandas też świetnie przyda się przy budowie aplikacji użytkowych. Możesz więc śmiało przeskakiwać między ścieżkami

Python dla początkujących
(z tym linkiem cena minimalna Udemy)

Nauka Python dla początkujących, od podstaw i po polsku
Instalacja Pythona i narzędzi programistycznych ze szczególnym uwzględnieniem IDLE
Praca ze zmiennymi, typami, funkcjami, korzystanie z funkcji na konkretnych przykładach
Wyrażenia warunkowe i pętle, zadania z wykorzystaniem tych technik
Wejście i wyjście: odczyt danych od użytkownika, praca z plikami
Korzystanie z modułów
Podstawowa obsługa błędów powstających w programach
Ciekawe przykłady i zadania do samodzielnego rozwiązania
Przykładowe lekcje – zobacz poniżej

Kurs python - zadania dla początkujących

Python – zadania dla początkujących
(z tym linkiem cena minimalna Udemy)

Zdobądź doświadczenie przez rozwiązywanie problemów algorytmicznych
Przygotuj się do matury lub podjęcia studiów
Naucz się myśleć algorytmicznie – rozkładać problem na mniejsze „podproblemy”
Utrwal popularne algorytmy, zrozum je „od podszewski”
Każda lekcja to:

Treść zadania z omówieniem i oczekiwanym wynikiem
Omówienie zadania od strony algorytmicznej (video)
Pisanie programu w Pythonie implementującego rozwiązanie (video)
Kod rozwiązania

Listy, metryki, konwersje, struktury danych, znane algorytmy, praca z tekstem, techniki programistyczne
Przykładowe lekcje – zobacz poniżej

Python dla średnio zaawansowanych
(z tym linkiem cena minimalna)

Nauka Python dla tych, co Pythona trochę już znają
Typy i konwersje typów od podszewki, konwersje automatyczne znacznie upraszczające kod
Zapis kodu w pętli w postaci jedno linijkowej (kod Pythoniczny)
Sztuczki z funkcjami i dekoratory: argumenty domyślne, args, kwargs,
dynamiczny kod, funkcja jako zmienna
Scenariusze wykorzystania funkcji
Klasy, instancje – od A do Z: atrybuty, metody, dekoratory,
modyfikacja klas „w locie”, tworzenie operatorów, dziedziczenie
Obsługa błędów i własne wyjątki
Iteratory, generatory, context manager
Ciekawe przykłady i zadania do samodzielnego rozwiązania
Przykładowe lekcje – zobacz poniżej

Data Science: Analiza danych w Python i PANDAS
(z tym linkiem cena minimalna)

Instalacja pakietów wymaganych do analizy danych
Na czym polega analiza danych
Przegląd modułu PANDAS
Kolumna czyli DataSeries – sortowanie, indeksowanie, wyszukiwanie wartości,
filtrowanie, modyfikacja, uruchamianie funkcji na danych
Arkusz czyli DataFrame – dodawanie/usuwanie kolumn i wierszy, oczyszczanie danych,
sortowanie, filtrowanie, znajdowanie duplikatów itp.
Grupowanie, tabele przestawne, agregacja, multiindex,
Łączenie danych z wielu DataFrame: join, merge
Export i import danych, modyfikacja danych
Wprowadzenie do wykresów
Przykładowe lekcje – zobacz poniżej

Struktury danych i algorytmy w Pythonie, które trzeba znać
(z tym linkiem cena minimalna)

Popularne struktury danych: słowniki, listy, zbiory, tuple, listy dwukierunkowe,
kolejka, stos i inne oraz funkcje na nich pracujące
Algorytmy sortujace: bąbelkowe/bubble, wstawianie/insert, wybieranie/select,
scalanie/merge, quick sort
Algorytmy wyszukujące: liniowy/linear, binarny/binary,
interpolacja/interpolation, quick select
Szukanie wzorca: Knuth-Morris-Pratt, Rabin-Karp, Boyer-Moore
Typy algorytmów: naiwne, zachłanne, dynamiczne
Przyśpieszanie pracy programu: memorization, tabulation
Kurs z podręcznikiem w postaci PDF
Przykładowe lekcje – zobacz poniżej

Myślenie algorytmiczne – grafy dla początkujących
(z tym linkiem cena minimalna Udemy)

Podstawy teorii grafów dla początkujących
Budowanie złożonych struktur danych w Pythonie
Implementacje grafów nieskierowanych, skierowanych, zapis w postaci macierzy,
listy sąsiadów, z uwzględnieniem wag
Popularne algorytmy pracujące z danymi
Ustalanie istnienia ścieżki, wyznaczanie najkrótszej drogi
Przetwarzanie danych
Grafy cykliczne, acykliczne, drzewa, wyszukiwanie BFS i DFS
Algorytmy: Dijkstra, Bellman Ford, Floyd-Warshall, Bron Kerbosh
Kolorowanie grafu, wyszukiwanie klik
Rozwiązywanie rzeczywistych problemów z wykorzystaniem teorii grafów: SUDOKU, Labirynt
Optymalizacja rozwiązań: Binary Search Tree
Kurs z podręcznikiem w postaci PDF
Przykładowe lekcje – zobacz poniżej

Kurs Machine learning wprowadzenie perceptron i regresja

Python – Uczenie maszynowe. Wprowadzenie, perceptron i regresja
(z tym linkiem cena minimalna)

Podstawowe pojęcia z zakresu machine learning
Wprowadzenie do uczenia maszynowego od podstaw –
brak wymogów (poza znajomością Pythona i matematyki)
Ręczna implementacja popularnych modeli perceptronu i różnych odmian regresji liniowej
Porównanie efektywności różnych algorytmów stosowanych do rozwiązania tego samego problemu
Wykorzystanie klas modułu Scikit-Learn
Analiza wstępna danych, oczyszczanie danych, uzupełnianie danych brakujących,
detekcja wartości odstających od reszty zbioru
Przegląd funkcjonalności modułu numpy do efektywnych obliczeń
Wykresy ilustrujące efektywność uczenia, implementacja miar efektywności
Dużo kodu, wykresów, ale i nieco matematycznych wywodów nakierowanych na intuicję
Quizy, zadania do samodzielnego rozwiązania, rozwiązania zadań,
przykładowe zbiory danych do pobrania
Przykładowe lekcje – zobacz poniżej