Python adatvizualizációs AI képzés – Lépj be a kódolás világába

Miért érdemes a Python-t elsajátítani ?

A Python programozási nyelv napjaink legnépszerűbb programozási nyelve. Egyszerű szintaxisa miatt könnyen tanulható és olvasható, ami lehetővé teszi a gyors fejlesztést és hibakeresést. Emellett széles körben támogatott és használt nyelv a különböző iparágakban, például az adatfeldolgozásban, a mesterséges intelligenciában, a webfejlesztésben és az automatizálásban.

Néhány érv, miért hasznos Pythonban programozni:

1. Adatkezelés és elemzés: A Python rengeteg eszközt és könyvtárat kínál (pl. Pandas, NumPy), amelyek segítségével nagy mennyiségű adat gyorsan és hatékonyan feldolgozható, elemezhető.
2. Automatizálás: A Python használatával rutinszerű feladatok (pl. adatgyűjtés, adatfeldolgozás, adatvizualizálás) automatizálhatók, ami időt takarít meg és növeli a hatékonyságot.
3. Adatvizualizáció: A Python erős adatvizualizációs könyvtárakkal rendelkezik (pl. Matplotlib, Seaborn, Vizzu), amelyekkel könnyen készíthetők látványos grafikonok és animációk
4. AI támogatás: Python napjaink legnépszerűbb programozási nyelve. Ennek köszönhetően generatív AI modellek (chatGPT, Gemini) segítségével most könnyebb Python kódokat írni, mint eddig bármikor.  A képzési anyag része annak bemutatása, hogyan tudunk chatGPT segítségével Python kódokat írni és értelmezni.

Miért érdemes Python-ban grafikonokat készíteni?

Python népszerűségének másik titka, hogy rengeteg olyan adatvizualizációs csomagot fejlesztettek hozzá, aminek segítségével rendkívül látványos diagramok és animációk készíthetők.

Mit jelent az AI képzés?

Napjainkban a generatív AI technológiák (pl. chatGPT) a programozók hétköznapi munkájában jelentős segítséget nyújtanak. Képzésünkön megmutatjuk, hogyan lehet hatékonyan használni a chatGPT-t Python kódok írásakor.

Képzési tematika

• Milyen környezetben lehet Python kódokat írni? Anaconda és Jupyter bemutatása
• Hogyan kezelünk különböző formátumú adatfájlokat? Szöveg, Excel és SPSS fájlok beolvasása és kiírása (import/export műveletek), címkék kezelése Python-ban
• Python alapok – fontosabb adattípusok, ezeken alapműveletek, elágazó és ciklus utasítások ismertetése
• Adattáblák hatékony kezelése – Pandas és Numpy csomag bemutatása. Mik a DataFrame-k és hogyan lehet ezeket feldolgozni beépített pandas és numpy függvényekkel?
• Hogyan lehet függvényeket létrehozni és ezáltal gyakran ismétlődő feladatokat elvégzését optimalizálni?
• Python adatvizualizáció – különböző adatvizualizációs csomagok bemutatása (Matplotlib, Seaborm, Bokeh, Vizzu) – az egyszerűbb diagramok elkészítésétől eljutunk bonyolult animációk elkészítéséig.

Mikor lesznek a képzések és hol? 

Jelentkezés az alábbi linken : Jelentkezem a képzésre

—————————————————————- TEMATIKA  ———————————————————–

1. félnap ( 1 x 4 óra)

Tréning képzési tematika áttekintése, Python alapok bemutatása

Elméleti háttér tanítása: Miről szól a képzés? Miért így épül fel a képzési tematika? Python fejlődésének történeti áttekintése, miért ennyire népszerű programozási nyelv, mik a legfontosabb könyvtárai a Python-nak. Python Jupyter notebook

Gyakorlati rész:

• (i) Jupyter Notebook – hogyan dolgozzunk benne? Menüpontok áttekintése. Hogyan futtassuk a kódot és hogyan értelmezzük a hibaüzenetet? Mi az a kernel?
• (ii) Adatok beolvasása különböző fájl típusokból – csv, Excel és SPSS? Címkék kezelése
• (iii) Adatok tárolása változókban: legfontosabb adattípusok (int, float, bool, str, date), legfontosabb műveletek numerikus, string és dátum változókon
• (iv) Bool változók és logikai operátorok. Mi a különbség az „=” és „==” között?
• (v) Adatstruktúrák: (i) adatstruktúrák bemutatása (list, tuples, dict, set) – melyik mire jó, (ii) típusokhoz tartozó alapműveletek, (iii) típusok közötti konverzió
• (vi) Hogyan írjunk és értelmezzünk Python kódot chatGPT-vel! Prompt írás alapjainak bemutatása.

Házifeladat: Alapfeladatok elvégzése különböző adattípusokon.

 

2. félnap (1 x 4 óra)

Adattáblák Python-ban – DataFrame-ek és ezeken fontosabb műveletek

Elméleti háttér tanítása: Mi a Pandas és NumPy csomag? Mik a DataFrame-ek? Milyen műveletek végezhetők el a DataFrame-eken?

Gyakorlati rész:

• (i) Mik a DataFrame-ek?
• (ii) Gyors alapstatisztikák egy DataFrame-ről – len(), shape, describe() és value_counts függvények bemutatása
• (iii) Milyen típusa lehet egy mezőnek? Hogyan lehet megváltoztatni egy mező típusát?
• (iv) Hogyan tudunk adatokat leválogatni? loc() és iloc függvények használata
• (v) Hiányzó értékek detektálása és pótlása
• (vii) DataFrame és más adattípusok (dict, list, …) kapcsolata. Hogyan tudunk létrehozni DataFrame-t más adatstruktúrából?
• (viii) Hogyan tudunk aggregálni adattáblákat? Groupby függvény bemutatása
• (ix) Mezőnevek átnevezése
• (x) Rekordok sorbarendezése
• (xi) Hogyan tudunk DataFrame műveleteket megadni chatGPT-ben?

Házifeladat: Adatelemzési feladatok az órán tanult függvények segítségével

3-4. félnap (2 x 4 óra)

Műveletek adattáblák között, adattáblák feldolgozása és átalakítása

Elméleti háttér tanítása: Adattáblák összefűzésének (concat) és összekapcsolásának (merge) elméleti háttere

Gyakorlati rész:

• (i) axis = 1 és axis = 0 függvény paraméter jelentése különböző utasításokban (oszlop és rekord szintű műveletek beállítása)
• (ii) Táblák összekapcsolása merge utasítással
• (iii) Táblák összefűzése concat utasítással
• (iv) Új változók létrehozása (numerikus mezőből kategóriák létrehozása map függvény segítségével, szöveges mezők tisztítása, dátumok kezelése)
• (v) Mi a lambda függvény és hogyan használjuk az adatok feldolgozásánál?
• (vi) Idősor adatok feldolgozása: rekordok közötti hivatkozások és műveletek (shift, rolling és expanding függvények)
• (vii) Adatfeldolgozás és adatelemzés automatizálása függvények segítségével, saját adatfeldolgozó függvény-csomagok kialakítása
• (viii) Hogyan dolgozzuk fel az adatokat chatGPT segítségével? Néhány praktikus prompt bemutatása!

Házifeladat: Képzett változók létrehozása az órán tanult műveletekkel, ezek automatizálása függvények segítségével

5. félnap (1 x 4 óra)

Adatvizualizáció Pythonban I.

Elméleti háttér tanítása: Adatvizualizációs csomagok bemutatása (matplotlib, seaborn).

Gyakorlati rész:

• (i) Milyen adatokon lehet diagramokat készíteni? Hogyan jelöljük ki a tengelyeket? Idősor diagramoknál hogy tudjuk használni az index oszlopot?
• (ii) Diagramok készítése matplotlib csomagban (vonaldiagran, plot, histogram, distribution),
• (iii) Dátum mező kezelése a diagramoknál
• (iv) Tengelyek formázása
• (v) Speciális diagramok készítése Seaborn csomagban
• (vi) Diagramok készítése és mentése chatGPT-ben! Hogyan formázzuk a diagramokat chatGPT segítségével?

Házifeladat: Az előző órán elkészített feldolgozott adatbázison különböző diagramok elkészítése

6. félnap ( 1 x 4 óra)

Storytelling animációk készítése Python-ban

Elméleti háttér tanítása: A vizzu csomag bemutatása, illetve hogyan lehet történetet mesélni adatokkal? (storytelling elméleti háttere)

Gyakorlati rész:

• (i) Hogyan installáljuk a vizzu csomagot?
• (ii) Hogyan alakítsuk át az adatokat?
• (iii) Hogyan készítsünk diagramokat vizzu-ban?
• (iv) Hogyan készítsünk összetett storytelling animációkat vizzu-ban?
• (v) Hogyan osszuk meg az elkészült animációkat másokkal?
• (vi) Hogyan tudunk animációkat készíteni chatGPT segítségével?