Edycja dzienna (dwa bloki 3-dniowe, średnio co 2 tyg.)

Edycja weekendowa (zaoczna) (sob-niedz., średnio co 2 tygodnie)

Warszawa

18 marca - 10 kwietnia 2026

21 marca - 26 kwietnia 2026 zostało 7 miejsc

Warszawa

2 czerwca - 19 czerwca 2026

20 czerwca - 23 sierpnia 2026

Zdalnie

18 marca - 10 kwietnia 2026

21 marca - 26 kwietnia 2026 zostało 7 miejsc

Zdalnie

2 czerwca - 19 czerwca 2026

20 czerwca - 23 sierpnia 2026

Sposoby pracy z Pythonem okiem analityka danych
- Instalacja lokalna
  - Interpreter języka Python
  - Tworzenie i uruchamianie programów
  - Zintegrowane środowiska programistyczne (IDE)
- Konfiguracja lokalnej instalacji
  - Wirtualne środowisko (`venv`) i instalator pakietów `pip`
  - Instalacja Jupytera i dodatkowych bibliotek
- Anaconda jako alternatywny sposób instalacji lokalnej – podejście „wszystko w jednym”
  - Zarządzanie wersjami bibliotek w Anacondzie
- Środowisko Jupyter
  - Komórki i specyfika pracy interaktywnej
  - Skróty klawiszowe i inne opcje ułatwiające pracę
  - Podpowiedzi i dokumentacja
  - Używanie Markdown i Latex do tworzenia sformatowanych tekstów
- Możliwości pracy zdalnej – Google Colab i podobne usługi
- Rzut oka na „ekosystem” bibliotek i narzędzi służących do data science w Pythonie
  - Asystent AI Gemini
Podstawy języka Python
- Zmienne, wartości, typy
  - Liczby i operacje arytmetyczne
  - Napisy, w tym umieszczanie wartości w tekście za pomocą f-string
  - Wartości logiczne
- Warunki, porównania, spójniki logiczne
- Definiowanie własnych funkcji
Struktury danych języka Python
- Listy i krotki
  - Iteracja po elementach (pętla `for`)
  - Wybieranie elementów i zakresów (slicing)
- Zbiory i słowniki
- Wyrażenia generujące kolekcje (comprehensions)
- Dostęp do danych zewnętrznych: pliki tekstowe, dane JSON
- Funkcje matematyczne i statystyczne zawarte w bibliotece standardowej Pythona
Numpy – tablice i obliczenia w Pythonie
- Przyczyny używania dodatkowych bibliotek analityczno-obliczeniowych
- Wektory, macierze, tablice wielowymiarowe
  - Różne sposoby tworzenia
  - Nawigacja i wybieranie fragmentów
  - Zmiana kształtu (`reshape`) i transpozycja
- Typy liczbowe i konsekwencje wyboru typu
- Operacje na tablicach Numpy
  - Wektoryzacja
  - Zasada rozgłaszania (broadcasting)
  - Mnożenie macierzy i przykładowe zastosowania
  - Funkcje agregujące i osie
  - Rozkłady, histogramy, statystyki opisowe
- Generator liczb pseudolosowych
Pandas i „biznesowa” analiza danych
- Serie (`Series`) i tabele / „ramki danych” (`DataFrame`)
  - Indeksy i nazwy kolumn
  - Nawigacja w strukturach danych – wybieranie komórek i fragmentów
- Pozyskiwanie danych z różnych źródeł
  - Pliki CSV i Excel (odczyt i zapis)
  - Zasoby w internecie (JSON, XML, HTML)
  - Bazy danych (SQL)
- Wyszukiwanie i filtrowanie danych
  - Warunki logiczne w Pandas oraz Numpy: maski, spójniki logiczne
- Przygotowywanie i czyszczenie danych
  - Usuwanie kolumn i wierszy
  - Usuwanie duplikatów
  - Zamiana i normalizacja wartości
  - Strategie postępowania z wartościami nieokreślonymi (NaN)
    - Usuwanie wartości nieokreślonych
    - Zastępowanie domyślną lub dominującą wartością
    - Wypełnianie wartościami sąsiednimi
    - Interpolacja
  - Praca z danymi tekstowymi, w tym wykorzystanie wyrażeń regularnych (regex)
- Pionowe oraz poziome łączenie tabel (`concat`, `merge`, `join`)
- Sortowanie serii i tabel
  - Ranking i poszukiwanie najmniejszych/największych wartości
- Opisowa analiza danych
  - Gotowe funkcje do generowania podstawowych statystyk
  - Grupowanie, agregacja i obliczanie statystyk
  - Tabele przestawne (pivot table)
  - Funkcje kroczące („okienkowe”) i narastające („skumulowane”)
- Oś czasu i szeregi czasowe
  - Generowanie szeregów czasowych
  - Specyfikowanie okresów czasu
  - Agregacja okresów czasu – operacja `resample`
- Elementy analizy statystycznej
  - Seria danych jako zmienna statystyczna
  - Korelacja, mapy ciepła
  - Czym jest regresja liniowa? (podstawy)
Wykresy i wizualizacja danych
- Matplotlib i wykresy na podstawie danych z Pandas i Numpy
  - Różne typy wykresów
  - Opcje i ustawienia
- Generowanie wykresów bezpośrednio z Pandas
- Przegląd dodatkowych bibliotek wizualizacji danych, m.in. Seaborn, Bokeh, Plotly

Pobierz program kursu »

Kurs Analiza danych w Pythonie (bez ML)