Kurs Python Developer

Część podstawowa

1. Wprowadzenie i pierwsze kroki

• Czym są „programy” i „programowanie”?
• Python na tle innych języków
• Zastosowania i możliwości Pythona: historia i współczesność
• Instalacja i konfiguracja środowiska pracy
  • Interpreter języka Python
  • Zintegrowane środowiska programistyczne (IDE): PyCharm lub VisualStudio Code
• Pierwsze programy i przegląd dostępnych sposobów pracy z Pythonem
• Styl kodowania i konwencje (PEP8)

2. Podstawowe elementy języka Python

• Interakcja z użytkownikiem w trybie tekstowym: print i input
• Zmienne i podstawowe typy danych
  • Wartości liczbowe, napisowe, logiczne
  • Operatory, porównania, spójniki
• Instrukcja warunkowa if
• Dopasowanie wartości match
• Pętle while i for

3. Struktury danych i ich zastosowania

• Listy i krotki
  • Wybieranie elementów i zakresów (slicing)
• Zbiory i słowniki
• Wyrażenia typu comprehension
• Sortowanie danych

4. Programowanie proceduralne

• Podstawy definiowania funkcji
• Tryby przekazywania argumentów
• Importowanie definicji z innych plików
• Organizacja kodu w projekcie Pythonowym: moduły i pakiety
• Dokumentacja i adnotacje

5. Programowanie obiektowe (OOP)

• Podstawy definiowania klas
  • Czym są: obiekt, klasa, atrybut, metoda
• Zasady inicjalizacji obiektów i klas
• Metody specjalne (magic methods)
• Metody statyczne i klasowe
• Dziedziczenie
• Wprowadzenie do dobrych praktyk programowania obiektowego: abstrakcja, hermetyzacja (encapsulation), spójność (cohesion)

6. Obsługa wyjątków

• Zgłaszanie i przechwytywanie wyjątków
• Definiowanie własnych wyjątków

7. Biblioteka standardowa języka Python

• Wyrażenia regularne (moduł re)
• Obsługa daty i czasu (moduły time i datetime)
• Dodatkowe typy kolekcji (moduł collections)
• Operacje na plikach
  • Otwieranie i zamykanie, konstrukcja with
  • Odczyt i zapis zawartości pliku
  • Przeglądanie katalogów i dostęp do informacji o systemie (moduł os)
• Graficzny interfejs użytkownika (GUI) (podstawy modułu tkinter)

8. Dodatkowe narzędzia i biblioteki

• Po co są wirtualne środowiska (venv) i jak się je tworzy?
• Instalator pakietów pip i repozytorium PyPI
• Testy jednostkowe na przykładzie unittest lub pytest
• Debugowanie kodu w IDE
• Pobieranie danych z sieci i dostęp do zdalnych usług
  • Wysyłanie zapytań HTTP (moduł requests)
  • Usługi typu REST (tzw. “Web API”) i format JSON z perspektywy Pythona

9. Sztuczna inteligencja w pracy programisty

• AI podczas tworzenia oprogramowania, czyli podstawy vibe coding
  • Podpowiedzi podczas pisania i generowanie małych fragmentów kodu
  • Rozwiązywanie całych zadań za pomocą modeli językowych
  • Automatyzacja nużących czynności
• AI w kontekście testowania
• Zdalny dostęp do usług generatywnej sztucznej inteligencji na przykładzie wybranej usługi (ChatGPT, Gemini lub analogicznej)
• Jak dbać o poprawność i bezpieczeństwo?

10. Wstęp do dalszych zastosowań języka Python

• Aplikacje webowe (framework Django)
• Środowiska typu Jupyter i interaktywna praca z Pythonem
• Obliczenia, analiza i wizualizacja danych (biblioteki pandas, numpy i matplotlib)

Dodatkowe tematy w wariancie XL Backend

11. Python oczami programisty backend

• Wykorzystywane struktury danych
• Wykorzystywane koncepcje programistyczne
• Powtórzenie koniecznych podstaw

12. Struktura projektu pythonowego, dodatkowe narzędzia

• Projekt jako moduł; zależności między projektami, struktura katalogu
• GIT i kontrola wersji kodu
  • Zapisywanie i odtwarzanie historii zmian
  • Rozgałęzienia i ich późniejsze łączenie (branch/merge)
  • Repozytoria lokalne i zdalne; różne scenariusze pracy zespołowej

13. Testy i kontrola jakości kodu

• TDD w praktyce
• Zapewnianie poprawności oprogramowania
• Testy jednostkowe
  • Istota testu jednostkowego
  • Typowa postać testu, proste asercje, uruchamianie
  • Dodatkowe moduły przydatne w pisaniu testów: Mock, patch

14. Warstwa prezentacji

• Model DOM
• Projektowanie witryn od strony programisty – HTML i CSS
• Elementy formularza, metody POST i GET, żądania HTTP
• Renderowanie widoku po stronie serwera - technologie szablonowe
• AJAX i REST od strony frontendu

15. Działanie strony serwerowej aplikacji webowej

• Protokół HTTP
• Aplikacje uruchamiane na serwerze; serwery aplikacji

16. Framework Django

• Poznanie Django jako platformy
  • Istota testu jednostkowego
  • Wstępna instalacja i konfiguracja Django
  • Konfiguracja i praca ze środowiskiem developerskim
  • Omówienie komponentów typowej aplikacji Django
  • Projekt
  • Aplikacja
  • Model
  • Widok
  • Obiektowy dostęp do bazy danych (ORM)
  • Tworzenie panelu administracyjnego
  • i18n
• Tworzenie komponentów aplikacji, na przykładach
  • Widoki
  • Szablony
  • Wykorzystanie szablonów w widokach
  • Różne sposoby tworzenia formularzy – ręczne i korzystające z gotowych mechanizmów
  • Korzystanie z widoków generycznych
  • Zasady dobrych praktyk programistycznych
• Stworzenie przykładowej aplikacji webowej
  • Wspólne stworzenie przykładowego projektu na platformie Django

17. Model REST, REST API i Django

• Stworzenie przykładowego REST API przy wykorzystaniu Django
• Testy jednostkowe
  • Omówienie modelu REST
  • Założenia REST w kontekście Django
  • Przydatne biblioteki
  • Implementacja aplikacji

18. Dodatkowe narzędzia programisty backendowego

• Celery, RabbitMQ i inne

19. Wdrożenie aplikacji

• Deployment aplikacji
  • Środowisko produkcyjne (omówienie serwerów webowych i serwerów aplikacji)
  • Różne sposoby wdrożenia aplikacji na produkcji

Dodatkowe tematy w wariancie XL Analiza Danych

11. Środowisko pracy z Pythonem dla analityka

• Możliwości instalacji lokalnej
  • Czysty Python i wirtualne środowiska (venv i pip)
  • Anaconda
  • Edytory i środowiska deweloperskie
• Możliwości pracy zdalnej – Google Colab i podobne usługi
  • Asystent AI Gemini
• Środowiska typu Jupyter – jak się w nich pracuje i dlaczego warto?
  • Komórki i specyfika pracy interaktywnej
  • Używanie Markdown i Latex do tworzenia sformatowanych tekstów
  • Skróty klawiszowe i inne opcje ułatwiające pracę
  • Podpowiedzi i dokumentacja
• Rzut oka na „ekosystem” bibliotek i narzędzi służących do data science w Pythonie

12. 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 operatorów i funkcji
  • Zasada rozgłaszania (broadcasting)
  • Mnożenie macierzy i przykładowe zastosowania
  • Funkcje agregujące i osie
  • Rozkłady, histogramy, statystyki opisowe
• Generator liczb pseudolosowych

13. Pandas i „biznesowa” analiza danych

• Serie (Series) i tabele / „ramki danych” (DataFrame)
  • Indeksy i nazwy kolumn
  • Nawigacja w strukturach danych - wybieranie komórek i fragmentów, iteracja
• 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
  • Typy kolumn oraz ich wpływ na wydajność i funkcjonalność
    • Typy liczbowe; zakres i precyzja wartości
    • Typ daty i czasu; akcesor .dt
    • Typ kategoryczny - kiedy warto stosować
  • 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 dla grup
    • Iteracja po grupach i wykorzystanie grupowania do podziału danych
  • 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; normalizacja
  • Korelacja i istotność statystyczna; mapy ciepła
  • Wstęp do regresji liniowej
  • Wnioskowanie statystyczne

14. 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

15. Wprowadzenie do uczenia maszynowego

• Czym ogólnie jest uczenie maszynowe (machine learning, ML)?
• Podział metod uczenia maszynowego
  • Uczenie nadzorowane (supervised), nienadzorowane (unsupervised) i ze wzmocnieniem (reinforcement)
  • Czym jest zagadnienie regresji, a czym problem klasyfikacji?
• Exploratory Data Analysis (EDA), czyli eksploracja i przygotowanie danych do uczenia maszynowego
  • Statystyki opisowe (za pomocą wcześniej poznanych narzędzi)
    • Rozkłady, histogramy, identyfikacja wartości odstających (outliers) i błędnych
  • Oczyszczanie zbioru danych (wartości błędne, nieokreślone, duplikaty)
  • Identyfikacja korelacji i zależności logicznych, wstępne hipotezy
  • Standaryzacja i normalizacja danych
  • Czym jest inżynieria cech (feature engineering)?
• Proces uczenia maszynowego – metodologia CRISP-ML(Q)
  • Zrozumienie dziedziny i określenie wymagań wobec projektu ML
  • Przygotowanie zbioru uczącego i zbioru testowego z zastosowaniem EDA
  • Zbudowanie i szkolenie modelu
  • Walidacja i tuning modelu
  • Wdrożenie i utrzymywanie rozwiązań
• Na czym polega „wyjaśnialność” (explainability) modelu?
• Wybór najwłaściwszej techniki ML w zależności od zadania

16. Praktyka uczenia maszynowego w Pythonie

• Biblioteka Scikit-learn
  • Transformatory, estymatory, pipeline’y
  • Przegląd dostępnych metod i operacji (w miarę poznawania ↓ kolejnych technik ML)
  • Serializacja i ponowne wykorzystywanie modeli
• Rola bibliotek pomocniczych – Numpy, Pandas, Seaborn
• Praca interaktywna w Jupyter/Colab vs wykorzystanie ML we własnych aplikacjach

17. Techniki uczenia nadzorowanego

• Metody regresji
  • Regresja liniowa
  • Regresja wielomianowa
  • Obsługa danych o skali nieliniowej
  • Reprezentacja danych nieliczbowych
• Ewaluacja modeli regresji
  • Współczynnik determinacji R² oraz błędy MAE/RMSE
  • Przeuczenie modelu i metody regularyzacji
• Zastosowania regresji
  • Predykcja wartości liczbowych / ciągłych
  • Wizualizacja trendów i zależności
• Klasyfikacja
  • Decyzje binarne (prawda/fałsz) oraz wieloklasowe
  • Regresja logistyczna
  • Drzewa decyzyjne – struktura, sposób tworzenia i wykorzystania
  • Metryki klasyfikacji
  • Łączenie klasyfikatorów
• Zastosowania klasyfikacji
  • Predykcja zdarzeń (wydarzy się / nie wydarzy się) na podstawie uwarunkowań
  • Przyporządkowanie rekordów do grup ze względu na ich cechy i wartości pól

18. Techniki uczenia nienadzorowanego

• Grupowanie danych (clustering) i algorytm K-Means
• Redukcja wymiarowości i Analiza Głównych Składowych (PCA)
• Zastosowania technik nienadzorowanych (w czasie zajęć wybieramy po jednym małym przykładzie, a dodatkowe projekty są propozycjami prac domowych)
  • Ustalanie istotnych zmiennych, w tym na potrzeby uczenia nadzorowanego
  • Automatyczna detekcja anomalii, np. fraudów, awarii, ataków cybernetycznych
  • Automatyczne grupowanie, np. segmentacja klientów na podstawie historii zachowań czy pacjentów na podstawie objawów
• Czym jest uczenie ze wzmocnieniem (reinforcement learning, RL)?

19. Wstęp do uczenia głębokiego i sieci neuronowych

• Czym uczenie głębokie (deep learning) różni się od „zwykłego” uczenia maszynowego?
• Komponenty sieci neuronowych
  • Budowa i mechanizm działania sztucznego neuronu
  • Perceptory (perceptron)
  • „Warstwa ukryta” i perceptory wielowarstwowe (MLP)
• Mechanizm działania uczenia głębokiego
  • Przetwarzanie informacji
  • Algorytmy uczenia z nadzorem
  • Algorytmy uczenia bez nadzoru
  • Funkcje aktywacyjne
  • Funkcje błędu
  • Tensory i transformacje

20. Biblioteki uczenia głębokiego w Pythonie

• Fundamentalne biblioteki napędzające deep learning
  • TensorFlow – open source od Google
  • PyTorch – open source od Meta
  • JAX – zoptymalizowany silnik obliczeniowy
  • Znaczenie sprzętu w pracy z sieciami neuronowymi; procesory typu CPU, GPU, TPU
• Keras – wysokopoziomowa praca z modelami
  • Wybór biblioteki podstawowej (backend)
  • Budowa modeli w Keras
  • Kompilacja modelu
  • Wybór optymalizatora i metryk
  • Trenowanie modeli
  • Sequential API vs Functional API
  • Wykorzystanie wytrenowanych modeli do predykcji
  • Klasyfikacja i podejmowanie decyzji na podstawie nowych danych
• Hugging Face – platforma open source dla modeli uczenia maszynowego
  • Strojenie modeli dopasowanych do potrzeb użytkownika
  • Zastosowanie do generowania obrazów

21. Sieci neuronowe – rodzaje, techniki i przykłady zastosowań

• Sztuczne sieci neuronowe (ANN)
  • Zastosowania w zadaniach klasyfikacji i regresji
• Konwolucyjne sieci neuronowe (CNN)
  • Rozpoznawanie obrazów
  • Przetwarzanie i analiza obrazów
• Rekurencyjne sieci neuronowe (RNN, LSTM)
  • Predykcja szeregów czasowych
  • Inne zagadnienia analityczne

22. Duże modele językowe (LLM)

• Czym jest model językowy i jak działają narzędzia typu GPT?
  • Ewolucja AI w przetwarzaniu języka naturalnego (NLP)
  • Od sieci neuronowych RNN do architektury Transformer
  • Architektura popularnych modeli
  • Podstawowe pojęcia: etapy trenowania, model wytrenowany i przetrenowany, token, prompt, konwersacja, pamięć, …
• Zagadnienia bezpieczeństwa i prywatności w kontekście LLM i AI
  • Etyczne wykorzystanie AI: prawa autorskie, uczciwość i rzetelność narzędzi AI
  • Aspekty prawne i istniejące regulacje (pobieżnie)
  • Zagrożenia ewentualnego wycieku danych i zarządzanie prywatnością
  • Korzystanie ze zdalnych usług AI/LLM czy lokalna instalacja modelu? – dyskusja
• Dostęp programistyczny (API) do zdalnych modeli LLM na przykładzie OpenAI API (ChatGPT) lub analogicznej usługi
  • Generyczne API sieciowe (REST) i dedykowana biblioteka w Pythonie
  • Zarządzanie kluczem dostępowym (API_KEY)
  • Parametry i opcje zapytań
    • Role promptów: user, developer, …
    • Dostrajanie procesu myślenia: zaangażowane zasoby, temperatura, filtrowanie treści
  • Polecenia jednorazowe i konwersacje
• Praca z lokalnym modelem LLM
  • Wady i zalety własnej instalacji względem zewnętrznej usługi
  • Konfiguracja wybranego open-source’owego narzędzia LLM
  • Utworzenie prostego czat-bota jako aplikacji Python na bazie lokalnej instalacji

23. Analiza możliwości wdrażania projektów AI opartych o Pythona

• Wdrożenia w oparciu o własną infrastrukturę
• Wdrożenia „w chmurze”
• Wyzwania prawdziwego świata: skalowanie, bezpieczeństwo, monitoring
• Wirtualizacja, konteneryzacja i orkiestracja
  • Rola narzędzi Docker i Kubernetes
  • Wyspecjalizowane narzędzia w kontekście machine learning i deep learning
• Specyfika pracy MLOps