Kurs Python Developer K-PYTHON

Wersja podstawowa

---

1. Wprowadzenie do programowania

• Podstawy działania komputera
• Systemy operacyjne, programy, frameworki i biblioteki
• Przegląd języków programowania

2. Wstęp do języka Python

• Geneza i historia Pythona
• Zastosowania i możliwości
• Python 2.x vs. Python 3.x

3. Instalacja i konfiguracja środowiska

• Interpreter języka Python
• Wirtualne środowisko (venv)
• Zintegrowane środowisko programistyczne (IDE) (edytor `PyCharm`)

4. Podstawy składni języka Python

• Interakcja z użytkownikiem
• Zmienne i podstawowe typy danych
• Struktury danych
• Instrukcja warunkowa
• Pętle
• Wyrażenia “comprehension”

5. Programowanie proceduralne

• Podstawy definiowania funkcji
• Przekazywania argumentów
• Dokumentacja i adnotacje

6. Programowanie obiektowe

• Podstawy definiowania klas
• Metody specjalne
• Metody statyczne i klasowe
• Dziedziczenie

7. Obsługa wyjątków

• Rzucanie i przechwytywanie wyjątków
• Definiowanie własnych wyjątków

8. Organizacja kodu

• Moduły i pakiety
• Struktura projektu

9. Biblioteka standardowa języka Python

• wyrażenia regularne (moduł `re`)
• obsługa parametrów linii poleceń (moduł `argparse`)
• obsługa daty i czasu (moduł `datetime`)
• zaawansowane kolekcje (moduł `collections`)
• graficzny interfejs użytkownika (GUI) (moduł `tkinter`)

10. Instalacja zewnętrznych bibliotek

• Repozytorium pakietów (PyPI)
• Instalator pakietów (narzędzie `pip`)
• Zarządzanie zależnościami w projekcie

11. Operacje wejścia/wyjścia

• Operacje na plikach
• Zapytania HTTP
• Serializacja (moduł `json` i `pickle`)

12. Testowanie i debugowanie oprogramowania

• Testowanie z wykorzystaniem biblioteki standardowej (moduł `unittest`)
• Zewnętrzne narzędzia wspierające testowanie (projekt `pytest`)
• Debugowanie kodu (moduł `pdb` oraz debugger wbudowany w `PyCharm`)

13. Zastosowania języka Python (wstęp)

• Aplikacje webowe (framework `Django`)
• Analiza i wizualizacja danych (biblioteka `pandas` i `matplotlib`)
• Obliczenia naukowe (biblioteka `SciPy` i `NumPy`)

14. Dobre praktyki programowania w Pythonie

• Styl kodowania i konwencje (PEP8)
• Idiomatyczne rozwiązania

Dodatkowe tematy w wariancie XL Backend

---

15. Python oczami programisty backend

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

16. 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

17. 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

18. 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

19. Działanie strony serwerowej aplikacji webowej

• Protokół HTTP
• Aplikacje uruchamiane na serwerze; serwery aplikacji

20. 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

21. 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

22. Dodatkowe narzędzia programisty backendowego

• Celery, RabbitMQ i inne

23. 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

---

15. Środowisko pracy analityka

• Anaconda
  • Manager pakietów Conda
  • Manager pip
  • Tworzenie wirtualnego środowiska
• Jupyter notebook
  • Markdown
  • Elementy notacji Latex

16. Przetwarzanie danych

• Wstęp do NumPy
  • Tworzenie wektorów i macierzy
  • Przekształcenia, operacje w NumPy
    • Wybieranie
    • Wektoryzacja
    • Broadcasting
  • Elementy arytmetyki i algebry przy użyciu NumPy
    • Rozwiązywanie równań liniowych
• Wstęp do Pandas
  • Serie i ramki danych
  • Pozyskiwanie danych z różnych źródeł
    • Pliki
    • Zasoby w internecie
    • Bazy danych
  • Przygotowywanie i czyszczenie danych - Operacje i przekształcenia DataFrame
    • Usuwanie kolumn i wierszy
    • Zmiana wymiarów - reshaping
    • Pivoting
    • Rangowanie i sortowanie danych
    • Łączenie ramek (concatenate, merge, join)

17. Analiza danych

• Wizualizacje
  • Wprowadzenie do matplotlib
  • generowanie wykresów z poziomu pandas
  • seaborn i inne narzędzia do wizualizacji danych w Pythonie
• Podstawy analizy statystycznej
• Wnioskowanie statystyczne

18. Wstęp do uczenia maszynowego

• Przegląd metod i algorytmów uczenia maszynowego
• Podział metod uczenia maszynowego
  • Uczenie nadzorowane
  • Uczenie nienadzorowane

19. Proces uczenia maszynowego

• Eksploracja danych
• Jak dobrać najlepszy model do zadania
• Przygotowanie danych
  • Zbiór uczący
  • Zbiór testowy
• Szkolenie modelu
• Walidacja modelu
• Przeuczenie modelu
• Techniki redukcji wymiarowości danych

20. Omówienie metod uczenia maszynowego

• Regresja
  • Regresja liniowa
  • Regresja wielomianowa
  • Regresja logistyczna
• Klasyfikacja
• Grupowanie danych
• Redukcja wymiarów
• Łączenie klasyfikatorów
• Wizualizowanie wyników

21. Przegląd narzędzi do uczenia głębokiego

22. Wprowadzenie do sieci neuronowych

• Jak działa neuron
• Jak uczy się sieć neuronowa
• Typy sieci neuronowych

23. Keras

• wprowadzenie
• udostępniane API
• szkolenie
• wnioskowanie

24. Różne typy sieci neuronowych

• Sztuczne sieci neuronowe (ANN)
• Konwolucyjne sieci neuronowe (CNN)
• Rekurencyjne sieci neuronowe (RNN, LSTM)
• Porównanie różnych środowisk (np. PyTorch, Tensorflow)