Program studiów
Program studiów podyplomowych na kierunku Analiza danych w Python 3
Liczba miesięcy nauki: 9
Liczba godzin: 200
Liczba zjazdów: 13
Liczba semestrów: 2
WPROWADZENIE
(10 godz.)
- Rozwój architektury systemów komputerowych
- Rozwój systemów operacyjnych
- Języki programowania, paradygmaty, kompilator, interpreter
- System dwójkowy, konwersja z systemu 2 na 10 i z powrotem
- Operacja na liczbach dwójkowych, algebra Boole’a
SYSTEMY KONTROLI WERSJI
(10 godz.)
- Wprowadzenie
- Klasyczne metody zarządzania projektami
- Zwinne techniki
- Systemy kontroli wersji
ALGORYTMY I STRUKTURY DANYCH
(10 godz.)
- Pojęcie algorytmu, schemat blokowy, pseudokod
- Przykłady prostych algorytmów
- Złożoność obliczeniowa
- Podejście rekurencyjne i iteracyjne
- Analiza porównawcza algorytmów na podstawie złożoności obliczeniowej
- Podstawowe struktury danych
PODSTAWY PROGRAMOWANIA
(40 godz.)
- Wprowadzenie do języka Python 3
- Podstawowe typy danych i operacje na nich
- Kolekcje i operacje na nich
- Instrukcje sterowania przepływem programu
- Funkcje
- Wyjątki
- Działania na plikach
- Biblioteka standardowa Python
- Przegląd popularnych bibliotek (numpy, matplotlib, etc.)
PROGRAMOWANIE OBIEKTOWE
(20 godz.)
- Wprowadzenie do paradygmatu obiektowego
- Budowa klasy – podstawowe metody
- Enkapsulacja – dostęp do pól i metod klasy
- Dziedziczenie i polimorfizm
- Przeciążenie operatorów – metody specjalne (magic methods)
- Metody statyczne
- Wprowadzenie do wzorców projektowych
BAZY DANYCH
(20 godz.)
- Wprowadzenie – normalizacja baz danych
- Język SQL – wprowadzenie
- Budowa zapytań w języku SQL (select, where, etc.)
- Funkcje agregujące, sortowanie i grupowanie
- Łączenie tabel i zapytania zagnieżdżone
TESTOWANIE
(10 godz.)
- Wprowadzenie do testowania
- Planowanie testowania
- Testowanie manualne
- Testy jednostkowe
- Test Driven Development
Eksploaracja i analiza danych
(20 godz.)
- Podstawowe pojęcia i definicje (zbiory danych, atrybuty, typy, właściwości)
- Pozyskiwanie zbiorów danych
- Wstępna analiza zbiorów danych (normalizacja, standaryzacja, czyszczenie danych)
- Pozyskiwanie i analiza parametrów statystycznych
- Sposoby reprezentacji wiedzy
- Interpretacja wykresów
Metody Sztucznej Inteligencji
(30 godz.)
- Wprowadzenie
- Zad. regresji, klasyfikacji, detekcji, klasteryzacji i optymalizacji
- Uczenie nadzorowanie i nienadzorowane
- Zbiory danych (uczący, testujący, walidacja, etc.)
- Metody klasyfikacji, klasteryzacji i estymacji
Rzeczywiste zbiory danych - ćwiczenia praktyczne
(20 godz.)
Rzeczywiste zbiory danych - ćwiczenia praktyczne
Forma zaliczenia
Test semestralny
Projekt końcowy