Úvod do jazyka Python pro datovou vědu - česky
4.1 (9 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
56 students enrolled

Úvod do jazyka Python pro datovou vědu - česky

Základy jazyka Python, na kterých budete moci začít stavět své datové projekty
4.1 (9 ratings)
Course Ratings are calculated from individual students’ ratings and a variety of other signals, like age of rating and reliability, to ensure that they reflect course quality fairly and accurately.
56 students enrolled
Last updated 8/2019
Czech
Current price: $16.99 Original price: $24.99 Discount: 32% off
5 hours left at this price!
30-Day Money-Back Guarantee
This course includes
  • 2 hours on-demand video
  • 13 articles
  • 2 downloadable resources
  • Full lifetime access
  • Access on mobile and TV
  • Certificate of Completion
Training 5 or more people?

Get your team access to 4,000+ top Udemy courses anytime, anywhere.

Try Udemy for Business
What you'll learn
  • Základy programovacího jazyka Python, se zaměřením na datovou vědu - česky (Big Data, Data Science, Machine Learning)
  • Práce s interaktivní platformou Jupyter Notebook
Requirements
  • Zájem o datovou vědu, nadšení pro Big Data, Strojové učení, Umělou inteligenci apod.
  • Umět uživatelsky pracovat s počítačem :-)
Description

Když jsem před lety začínal s datovou vědou, koupil jsem si knížku Big Data: Revoluce, která změní způsob, jak žijeme, pracujeme a myslíme. Počtení to bylo zajímavé a motivační. Zde jsem se dozvěděl o internetových platformách pro analytiky a datové vědce, jako Kaggle, nebo Data Camp. Byl jsem tímto supermoderním tématem nadšen a motivován! Obrovský zdroj informací, ochotná globální komunita, otevřenost, komplexní příklady z reálného světa firem. Mělo to však háček... Datové analýzy a reálné příklady aplikací z oblasti velkých dat a strojového učení, zde byly prezentovány v jazyce Python. Protože jsem tento jazyk neovládal, byly pro mě začátky poměrně obtížné...

Začal jsem se učit obecný Python - prošel jsem komplexními kurzy na Sololearnu a Data Campu, a strávil jsem téměř dva měsíce tréninkem. Zjistil jsem však, že až polovina informací, které jsem se zde naučil, se v datové vědě vůbec nepoužívá...


Náš kurz se proto soustředí na vybrané konstrukce a objekty jazyka Python, které jako budoucí datový vědec budete nezbytně potřebovat, ať už pro porozumění logiky existujících modelů od špičkových analytiků na Kagglu, nebo pro vytváření vlastních analýz a modelů.


Cílem tohoto kurzu tedy je dostat vás rychle do tématu "jazyk Python pro datovou vědu" a ušetřit vám čas.  Pomoci vám porozumět jazyku Python, který je vedle jazyka R hlavním globálním nástrojem datové vědy, a dát vám základy, na kterých můžete začít stavět své první samostatné datové projekty.

Cílem tohoto kurzu naopak není udělat z jeho absolventů programátory - datoví vědci v Pythonu nepíší komplexní programy, ani nevytváří žádná programátorská veledíla. Datový vědec pracuje s Pythonem interaktivně, metodou akce-reakce, příkaz-výsledek. Takto postupně připravuje data, vytváří a testuje své modely, hledá optimální výsledky.


V současné době již existují, a rychle se dále rozvíjejí pokročilá grafická prostředí pro datové vědce, např. skvělý Knime, nebo Microsoft ML Studio. Pro výuku, výzkum, či vysvětlení modelů se však dále používají prostředí typu Jupyter Notebook. Mekka datových vědců - platforma Kaggle, kde je možné se skutečně naučit na reálných příkladech, jak se v datové vědě pohybovat, rovněž používá Jupyter Notebook a přímý (negrafický) přístup. Platfroma Quantopian, pro automatické obchodování s akciemi, nebo další Data Science platforma DataCamp, apod. rovněž používají prostředí typu Jupyter Notebook a přímý zápis příkazů Pythonu. Pokud byste hledali řešení pro vaše budoucí úlohy, například z oblasti aplikovaného strojového učení, naleznete je opět ve formě interaktivních skriptů v jazyce Python (nebo R).


Co budete potřebovat

Stáhnout si archiv s výukovými materiály - viz odkaz v první sekci kurzu

Jupyter Notebook s jazykem Python (on-line - viz lekce 1.1, nebo lépe off-line v rámci distribuce Anaconda - viz instruktážní video).


Použitý software - Anaconda, jazyk Python, a Jupyter Notebook jsou zdarma. Máme štěstí, že komunita datových vědců, podporovaná technologickými giganty, nástroje pro datovou vědu sdílí, jako tzv. open-source, a to včetně nejmodernějších a nejvýkonnějších systémů.


Doporučuji navštívit i další naše kurzy o datové vědě:

  • Elderberry Data - datová věda v Excelu

  • Elderberry Data - datová věda v Pythonu

  • Elderberry Data - datová věda v Knime

Who this course is for:
  • Lidé, kteří pracují s daty, a chtěli by své znalosti rozšířit o oblast datové vědy - pokročilá analytika, strojové učení, apod.
Course content
Expand all 38 lectures 01:47:47
+ Představení a základní informace o kurzu
3 lectures 06:17
Úvod a stažení pracovních souborů
00:24

Pro náš kurz doporučuji instalaci Anacondy, jejíž součástí je i Python a Jupyter Notebook. Pokud například nemáte administrátorská práva pro její instalaci, můžete použít on-line verzi Jupyter Notebooku, jak je ukázáno v první kapitole kurzu.  (on-line verze je zde https://jupyter.org/)

Instalace Pythonu v rámci Anaconda distribuce
04:17
+ Kapitola 1 - Základní operace v jazyce Python
4 lectures 10:30
Pracovní soubor pro Kapitolu 1
00:12

Základní lekce jsou ukázány v on-line verzi Jupyter Notebooku. On-line Jupyter Notebook však doporučuji pouze pro rychlý start aktivit (než vám například administrátor nainstaluje doporučenou Anaconda distribuci, apod.).

Lekce 1.1 Seznámení s Jupyter Notebookem, Základní operace v jazyce Python
04:56
Lekce 1.2 Matematické operace 1 - Matematické operace, závorky
03:10
Lekce 1.3 Matematické operace 2 - Umocňování, modulo
02:12
+ Kapitola 2 - Práce se základními datovými typy, logické operace, větvení
9 lectures 30:33
Pracovní soubor pro Kapitolu 2
00:17

Pracovní soubor pro tuto lekci je "Jupyter Notebook - Playground.ipynb". Zde je možné vyzkoušet všechny probírané akce s Jupyter Notebookem.

Preview 05:21
Jupyter Notebook - asistence při psaní programového kódu
03:07
Lekce 2.1 Základní datové typy 1 - řetězce a seznamy
07:17
Lekce 2.2 Základní datové typy 2 - slovníky a tuple
03:14
Lekce 2.4 Větvení programu - podmínky if - elif - else
03:08
Cvičení pro kapitoly 1 a 2 - soubory
00:11
+ Kapitola 3 - Užitečné funkce, další datové typy, cykly, vlastní funkce
10 lectures 35:29
Pracovní soubor pro Kapitolu 3
00:14
Lekce 3.1 Užitečné funkce 1 - type, len, range
05:52
Lekce 3.2 Užitečné funkce 2 - sum, max, min, operátor in, zip
04:29
Lekce 3.3 Užitečné funkce 3 - operace s řetězci, konverze, replace, split
05:45
Lekce 3.4 Cykly - cyklus for, cyklus while
06:51
Lekce 3.5 Datový typ set
02:58
Lekce 3.6 Funkce sort, kopírování vs. klonování seznamů
04:58

Datový typ Set kromě kromě Seznamu nemůže obsahovat ještě Slovník, nebo další Set.

Doplňující poznámka k lekci 3.5 Datový typ set
00:03
Cvičení pro kapitolu 3 - soubory
00:11
+ Kapitola 4 - práce se soubory, ošetření chyb, používání modulů
9 lectures 24:23
Pracovní soubor pro Kapitolu 4
00:15
Lekce 4.1 Práce se soubory pomocí - open, close, read, append, write, tell, read
07:34

Ve videu pro lekci 4.1 je uvedeno, že "...každý soubor UTF-8 začíná znaky \ufeff".


Tato informace však není zcela přesná - záleží na tom, zda byl soubor UTF-8 uložen s BOM nebo ne. Např. open('file', mode='r', encoding='utf-8-sig')

Moderní textové editory (Visual Studio Code, Atom.io, Notepad++) pracují s UTF-8 bez BOM, což je doporučeno podle Unicode standardu.



Poznámka: oprava a doplnění informace o znacích BOM na začátku UTF-8 souboru
00:13
Lekce 4.2 Práce se soubory pomocí - with, read, append, write, rstrip, splitline
03:05
Lekce 4.3 Ošetření chyb běhu programu - try, except, else
01:56
Lekce 4.4 Vybrané základními moduly Pythonu - math, os, csv, unicodedata
03:47
Lekce 4.5 Modul re a regulární výrazy
03:43
Cvičení pro kapitolu 4 - soubory
00:11
+ Závěr a doporučení, jak pokračovat ve studiu
3 lectures 00:33
Závěr kurzu - jak pokračovat
00:19
Webové platformy pro datovou vědu
00:02