Python για Δεδομένα: Βασικά & Μεταξύ Επίπεδα με Pandas και Polars Κομμάτι εκπαίδευσης

Αυτή η εκπαίδευση με εξηγητικό πρωτοτύπο (online ή onsite) απευθύνεται σε επιστήμονες δεδομένων και λογισμικού μηχανικού που επιθυμούν να χρησιμοποιήσουν το Dask με το οικοσύστημα Python για την ανάπτυξη, σκαλαρόμενη επεξεργασία και ανάλυση μεγάλων ποσοτήτων δεδομένων.

Μέχρι το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Ρυθμίσουν το περιβάλλον για να ξεκινήσουν την ανάπτυξη επεξεργασίας μεγάλων ποσοτήτων δεδομένων χρησιμοποιώντας Dask και Python.
• Εξερευνήσουν τις λειτουργίες, βιβλιοθήκες, εργαλεία και API που διαθέτει ο Dask.
• Κατανοήσουν πώς ο Dask επιταχύνει την παράλληλη υπολογισμική στο Python.
• Μάθουν πώς να σκαλάρουν το οικοσύστημα Python (Numpy, SciPy και Pandas) χρησιμοποιώντας Dask.
• Βελτιώσουν το περιβάλλον Dask για να διατηρήσουν υψηλή απόδοση στην επεξεργασία μεγάλων ποσοτήτων δεδομένων.

Αυτή η οδηγία, υπό την καθοδήγηση εκπαιδευτικών (διαδικτυακά ή σε τοπικό επίπεδο), απευθύνεται σε προγραμματιστές Python με διαφορετικό βαθμό εξοικείωσης και σε αναλυτές δεδομένων που θέλουν να επιτεθούν στην ανάλυση και τη μετατροπή δεδομένων χρησιμοποιώντας Pandas και Numpy.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Καθιερώσουν ένα περιβάλλον ανάπτυξης που συμπεριλαμβάνει το Python, Pandas και Numpy.
• Δημιουργήσουν μια εφαρμογή ανάλυσης δεδομένων χρησιμοποιώντας Pandas και Numpy.
• Εκτελέσουν προηγμένες επιχειρήματες ανάδειξης, ταξινόμησης και φίλτρων.
• Εκτελέσουν αυτοσυσσώρευση λειτουργίες και ανάλυση χρόνια σειρές δεδομένων.
• Οπτικοποίηση δεδομένων με το Matplotlib και άλλες βιβλιοθήκες που παρέχουν οπτικοποίηση.
• Βρισκόμενοι και εξυφαίνοντας τον κώδικα για την ανάλυση δεδομένων.

Αυτή η καθηγησία υπό την καθοδήγηση εκπαιδευτικού (online ή on-site) απευθύνεται σε διαμορφωτές που επιθυμούν να χρησιμοποιήσουν το FARM (FastAPI, React και MongoDB) stack για να φτιάξουν δυναμικές, υψηλόδεσμες και κλιμακωτές web εφαρμογές.

Το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Ρυθμίσουν το απαραίτητο περιβάλλον ανάπτυξης που ενσωματώνει τη FastAPI, το React και το MongoDB.
• Κατανοήσουν τα βασικά σημεία, χαρακτηριστικά και πλεονεκτήματα του FARM stack.
• Μάθουν πώς να φτιάξουν REST APIs με τη FastAPI.
• Μάθουν πώς να σχεδιάσουν αλληλεπίδραση εφαρμογές με το React.
• Αναπτύξουν, θεσπίσουν και καταβάλουν εφαρμογές (front end και back end) χρησιμοποιώντας το FARM stack.

Αυτή η ζωντανή εκπαίδευση (online ή on-site), που διεξάγεται από εκπαιδευτικό, στο Ελλάδα, απευθύνεται σε προγραμματιστές που επιθυμούν να χρησιμοποιήσουν το FastAPI με Python για να κατασκευάζουν, δοκιμάζουν και αναπτύσσουν RESTful APIs πιο εύκολα και γρήγορα.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση να:

• Ρυθμίσουν το απαραίτητο περιβάλλον ανάπτυξης για την ανάπτυξη APIs με Python και FastAPI.
• Δημιουργήσουν APIs πιο γρήγορα και εύκολα χρησιμοποιώντας τη βιβλιοθήκη FastAPI.
• Μάθουν πώς να δημιουργούν δομές και σχήματα δεδομένων με βάση το Pydantic και OpenAPI.
• Συνδέσουν APIs σε βάση δεδομένων χρησιμοποιώντας SQLAlchemy.
• Εφαρμόσουν ασφάλεια και πιστοποίηση σε APIs χρησιμοποιώντας τα εργαλεία FastAPI.
• Κατασκευάσουν εικόνες κοντέινερ και να αναδημοσπερήσουν web APIs σε cloud server.

Στόχος αυτού του μαθήματος είναι να παρέχει μια βασική ικανότητα στην εφαρμογή Machine Learning μεθόδων στην πράξη. Μέσω της χρήσης της Python γλώσσας προγραμματισμού και των διαφόρων βιβλιοθηκών της, και με βάση ένα πλήθος πρακτικών παραδείξεων, αυτό το μάθημα διδάσκει πώς να χρησιμοποιήσετε τα πιο σημαντικά κτίρια Machine Learning, πώς να λάβετε αποφάσεις μοντελοποίησης δεδομένων, να ερμηνεύσετε τα αποτελέσματα των αλγόριθμων και να επικυρώσετε τα αποτελέσματα.

Στόχος μας είναι να σας δώσουμε τις δεξιότητες για να κατανοήσετε και να χρησιμοποιήσετε με εμπιστοσύνη τα πιο θεμελιώδη εργαλεία από το κουτί εργαλείων Machine Learning και να αποφύγετε τις κοινές πτώσεις των εφαρμογών Data Science.

ο στόχος αυτού του μαθήματος είναι να παρέχει γενική επάρκεια στην εφαρμογή μεθόδων μηχανικής μάθησης στην πράξη. Μέσω της χρήσης της γλώσσας προγραμματισμού Python και των διαφόρων βιβλιοθηκών της, και με βάση ένα πλήθος πρακτικών παραδειγμάτων, αυτό το μάθημα διδάσκει πώς να χρησιμοποιείτε τα σημαντικότερα δομικά στοιχεία της μηχανικής μάθησης, πώς να κάνετε αποφάσεις μοντελοποίησης δεδομένων, να ερμηνεύσετε την τις εκροές των αλγορίθμων και να επικυρώσετε τα αποτελέσματα.

ο στόχος μας είναι να σας δώσουμε τις δεξιότητες για να κατανοήσετε και να χρησιμοποιήσετε τα πιο θεμελιώδη εργαλεία από την εργαλειοθήκη μηχανικής εκμάθησης με σιγουριά και να αποφύγετε τις κοινές παγίδες των εφαρμογών των Επιστημών δεδομένων.

Αυτή η ζωντανή εκπαίδευση υπό την καθοδήγηση εκπαιδευτών στο Ελλάδα (διαδικτυακό ή επιτόπου) απευθύνεται σε επιστήμονες δεδομένων και προγραμματιστές που επιθυμούν να χρησιμοποιήσουν το Modin για να δημιουργήσουν και να εφαρμόσουν παράλληλους υπολογισμούς με το Pandas για ταχύτερη ανάλυση δεδομένων.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Ρυθμίστε το απαραίτητο περιβάλλον για να ξεκινήσετε την ανάπτυξη Pandas ροών εργασίας σε κλίμακα με Modin.
• Κατανοήστε τα χαρακτηριστικά, την αρχιτεκτονική και τα πλεονεκτήματα του Modin.
• Γνωρίστε τις διαφορές μεταξύ Modin, Dask και Ray.
• Εκτελέστε τις λειτουργίες Pandas πιο γρήγορα με το Modin.
• Εφαρμόστε ολόκληρο το Pandas API και τις λειτουργίες.

Σε αυτή την εκπαιδευτική οργανωμένη και ζωντανή διάλεξη στο Ελλάδα, οι συμμετέχοντες θα μάθουν πώς να χρησιμοποιήσουν το Python για να παραγάγουν ευψύνον ελληνικό κείμενο, αποτέλεσμα της κατασκευής δικής τους συστήματος NLG από μηδέν. Θα εξεταστούν περίπτωση μελέτης και θα εφαρμοστούν τα σχετικά όριζόντια σε ζωντανά προγράμματα laboratόrίου για την παραγωγή περιεχομένου.

Τελικά από αυτή την διάλεξη, οι συμμετέχοντες θα μπορέσουν να:

• Χρησιμοποιούν NLG για την αυτόματη παραγωγή περιεχομένου σε διάφορες βιομηχανίες, από την εκδοτική ρύθμιση έως το κληρικό περιβάλλον, μέχρι την εγχώρια και αθλητική υπηρεσία δημοσιεύσεων.
• Επιλέγουν και οργανώνουν πηγαίο περιεχόμενο, σχεδιάζουν πρότυπα, και προετοιμάζουν ένα σύστημα για την αυτόματη παραγωγή αρχικού περιεχομένου.
• Συνειδητοποιούν τον διαδικαστικό ροών NLG και εφαρμόζουν τους ορθούς τεχνικούς σε κάθε στάδιο.
• Συνειδητοποιούν την αρχιτεκτονική ενός Natural Language Generation (NLG) συστήματος.
• Εφαρμόζουν τους κατάλληλους λογισμικούς χώρους και πεπερασμένα μοντέλα για ανάλυση και διάθεση.
• Τίθενται σε άμεση εφαρμογή δεδομένων από δημόσια διαθέσιμες πηγές καθώς και βάσεις δεδομένων για να χρησιμοποιήσουν ως υλικό για την παραγωγή κειμένων.
• Αντικαθιστούν τους αυτόματους και σπανίους διαδικασίες γραφής με υπολογιστική παραγωγή, αυτομάτη δημιουργία περιεχομένου.

Σε αυτή την εκπαίδευση με οδηγό, ζωντανά σε Ελλάδα, οι συμμετέχοντες θα μάθουν τις πιο εφικτές και νέες τεχνικές μηχανικής μάθησης στο Python, καθώς χτίζουν μια σειρά δειγματικών εφαρμογών που αφορούν εικόνες, μουσική, κείμενα και χρηματιστικά δεδομένα.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Εφαρμόζουν αλγόριθμους και τεχνικές μηχανικής μάθησης για τη λύση περίπλοκων προβλημάτων.
• Εφαρμόζουν βάθυ εκπαίδευση και ημι-εποπτική εκπαίδευση σε εφαρμογές που αφορούν εικόνες, μουσική, κείμενα και χρηματιστικά δεδομένα.
• Καθιστούν τους αλγόριθμους Python προς το μέγιστο δυνατό όφελος.
• Χρησιμοποιούν βιβλιοθήκες και πακέτα όπως η NumPy και η Theano.

Αυτή η εκπαίδευση, που διεξάγεται υπό την καθοδήγηση ενός εκπαιδευτή, σε Ελλάδα, βασίζεται στο δημοφιλές βιβλίο "Automate the Boring Stuff with Python" του Al Sweigart. Απευθύνεται σε αρχάριους και καλύπτει ουσιαστικές έννοιες προγραμματισμού με τη Python, μέσω πρακτικών, χειρονομίες ασκήσεων και συζητήσεων. Το εστίασμα βρίσκεται στο μάθημα να γράφεις κώδικα που θα αυξήσει δραστικά την απόδοση εργασίας στο γραφείο.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να προγραμματίζουν σε Python και να εφαρμόζουν αυτή τη νέα δεξιότητα για:

• Αυτοματοποίηση εργασιών μέσω της γραφής απλών προγραμμάτων Python.
• Γραφή προγραμμάτων που μπορούν να αναγνωρίζουν και επεξεργάζονται μοτίβα τεκμηρίων χρησιμοποιώντας "regular expressions".
• Προγραμματική δημιουργία και ενημέρωση φυλλών Excel.
• Ανάλυση PDFs και Word documents.
• Εξόρυξη ιστοσελίδων και αποκομιδή πληροφοριών από διαδικτυακές πηγές.
• Γραφή προγραμμάτων που στέλνουν email ειδοποιήσεις.
• Χρήση των εργαλείων αποσφαλμάτωσης Python για να αντιμετωπίζουν γρήγορα σφάλματα.
• Προγραμματική έλεγχος του ποντικέλου και του πληκτρολογίου για να πατάνε και να γράφουν εξ όνων.

O Python είναι μια γλώσσα προγραμματισμού που έχει κερδίσει τεράστια δημοφιλία στη βιομηχανία χρηματοοικονομικών. Χρησιμοποιείται από τους μεγαλύτερους επενδυτικούς τράπεζες και σπεκουλατήρες, για να δημιουργήσουν ένα πλήθος χρηματοοικονομικών εφαρμογών κατά μήκος και πλάτος, από τα βασικά προγράμματα συναλλαγών έως τα συστήματα διαχείρισης κινδύνου.

Σε αυτό το εκπαιδευτικό πρόγραμμα, υπό την οδηγία εκπαιδευτή, οι συμμετέχοντες θα μάθουν να χρησιμοποιούν το Python για να αναπτύξουν πρακτικές εφαρμογές που λύνουν σειρά οικονομικών προβλημάτων.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Κατανοήσουν τα βασικά σημεία της γλώσσας προγραμματισμού Python
• Λήξουν, εγκαταστήσουν και διατηρήσουν τα καλύτερα εργαλεία ανάπτυξης για τη δημιουργία χρηματοοικονομικών εφαρμογών σε Python
• Επιλέξουν και να χρησιμοποιήσουν τα πιο κατάλληλα packages και τεχνικές προγραμματισμού Python για να οργανώσουν, επιδόξυνουν και αναλύσουν χρηματοοικονομικά δεδομένα από διάφορες πηγές (CSV, Excel, βάσεις δεδομένων, διαδίκτυο κλπ.)
• Να φτιάξουν εφαρμογές που λύνουν προβλήματα σχετικά με την ανάθεση περιουσίας, τη διαχείριση κινδύνων, την επίδοση επενδύσεων και άλλα
• Να βγάζουν προβλήματα, να ολοκληρώνουν, να υποβάλλουν και να βελτιστοποιούν μια εφαρμογή Python

Ακροατήριο

• Προγραμματιστές
• Αναλυτές
• Quantitative Analysts (Quants)

Μορφή του μαθήματος

• Μερικά διδασκαλία, μερική συζήτηση, ασκήσεις και πολύς έντονος χέρι-σε-χέρι εξάσκηση

Σημείωση

• Αυτή η εκπαίδευση στοχεύει να προσφέρει λύσεις για κάποια από τα βασικά προβλήματα που αντιμετωπίζουν οι επαγγελματίες χρηματοοικονομικών. Ωστόσο, αν έχετε κάποιο συγκεκριμένο θέμα, εργαλείο ή τεχνική που θέλετε να προσθέσετε ή να επεκτείνετε, παρακαλώ επικοινωνήστε μαζί μας για τη διαμόρφωση.

Αυτή η εκπαίδευση, που διεξάγεται με την ανάγκη για καθοδήγηση στο Ελλάδα (online ή on-site), απευθύνεται σε προγραμματιστές που επιθυμούν να μάθουν προχωρημένες τεχνικές προγραμματισμού στο Python, συμπεριλαμβανομένου του πώς να εφαρμόζουν αυτή τη πολυκατεύθυνη γλώσσα για να λύνουν προβλήματα σε τομείς όπως οι διανεμημένες εφαρμογές, η ανάλυση και οπτικοποίηση δεδομένων, το προγραμματισμό UI και την διαχείριση scripting.

Αυτό το μάθημα σχεδιάστηκε για εκείνους που θέλουν να μάθουν τη γλώσσα προγραμματισμού Python. Η έμφαση βρίσκεται στη γλώσσα Python, τις κεντρικές βιβλιοθήκες, καθώς και στην επιλογή των καλύτερων και πιο χρήσιμων βιβλιοθηκών που έχουν αναπτυχθεί από την κοινότητα Python. Το Python κινεῖ επιχειρήσεις και χρησιμοποιείται από επιστήμονες σε όλο τον κόσμο – είναι μία από τις πιο δημοφιλείς γλώσσες προγραμματισμού.

Το μάθημα μπορεί να παραχωρηθεί χρησιμοποιώντας την τελευταία έκδοση Python 3.x με πρακτικά σενάρια που να κάνουν χρήση της πλήρους δύναμης. Το μάθημα μπορεί να παραχωρηθεί σε οποιοδήποτε λειτουργικό σύστημα (όλες οι εκδόσεις του UNIX, συμπεριλαμβανομένων του Linux και Mac OS X, καθώς και του Microsoft Windows).

Τα πρακτικά σενάρια αποτελούν περίπου το 70% του χρόνου μαθήματος, και περίπου το 30% είναι δειγματοδοσίες και παρουσιάσεις. Οι συζητήσεις και οι ερωτήσεις μπορούν να τίθενται κατά τη διάρκεια του μαθήματος.

Σημείωση: η εκπαίδευση μπορεί να προσαρμοστεί σε συγκεκριμένες ανάγκες κατόπιν προηγούμενου αιτήματος πριν την ενδεικτική ημερομηνία του μαθήματος.

Selenium είναι ένα open-source πλαίσιο για την αυτομάτως διεξαγωγή δοκιμών προσωπικών εφαρμογών σε διάφορους περιηγητές. Με το Selenium 4, υπάρχουν αποδοτικότερες APIs WebDriver, φυσικές σχετικές καταλόγισης προσώπων (locators) και βελτιωμένη υποστήριξη για το grid. Το Python προσφέρει απλότητα και ισχυρή ολοκλήρωση με πλαισία δοκιμών όπως το Pytest, κάνοντάς το εξαιρετικό επιλογή για την ανάπτυξη μεγέθους και διατηρήσιμων συνόλων δοκιμών.

Αυτή η εκπαιδευτική εκ τόπου (online ή onsite) αποσκοπεί σε νέες και μεσαίες επίπεδο δοκιμαστές και προγραμματιστές, τους οποίους αναζητούν να χρησιμοποιήσουν Selenium με Python για την αυτόματη δοκιμαστική εξέταση προσωπικών εφαρμογών σε πραγματικά περιβάλλοντα.

Στο τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα μπορούν να:

• Εγκαταστήσουν και ρυθμίσουν Selenium με Python σε ένα περιβάλλον δοκιμών.
• Δημιουργήσουν αξιόπιστα συντάγματα δοκιμών αυτομάτως με Selenium WebDriver και Pytest.
• Εφαρμένε το Page Object Model (POM) για διατηρήσιμα πλαίσια δοκιμών.
• Εκτελέσουν δοκιμές σε πολλούς περιηγητές χρησιμοποιώντας Selenium Grid.
• Ολοκληρώσουν τα αυτομάτως δοκιμαστικά σε καλαθιά CI/CD.
• Επίλυση κοινών προβλημάτων και εφαρμογή καλών πρακτικών για τη σταθερότητα της αυτομάτως δοκιμασίας.

Μορφή Του Κούρσου

• Διαδραστική διάλεξη και συζήτηση.
• Πολλές εξασκήσεις και πρακτική χρησιμοποίηση.
• Χειρονομική εφαρμογή σε ζωντανό περιβάλλον lab.

Επιλογές Προσαρμογής Κούρσου

• Για να αιτηθείτε μια προσαρμοσμένη εκπαίδευση για αυτό το κούρσο, παρακαλώ επικοινωνήστε μαζί μας για να οργανωθεί.

Στα Python Machine Learning, η λειτουργία Περίληψη Κειμένου είναι ικανή να διαβάσει το εισαγόμενο κείμενο και να παράγει μια περίληψη κειμένου. Αυτή η δυνατότητα είναι διαθέσιμη από τη γραμμή εντολών ή ως Python API/Βιβλιοθήκη. Μια συναρπαστική εφαρμογή είναι η γρήγορη δημιουργία περιλήψεων για στελέχη· αυτό είναι ιδιαίτερα χρήσιμο για οργανισμούς που πρέπει να εξετάσουν μεγάλους όγκους δεδομένων κειμένου πριν δημιουργήσουν αναφορές και παρουσιάσεις.

Σε αυτή την εκπαίδευση με καθοδηγητή, οι συμμετέχοντες θα μάθουν να χρησιμοποιούν το Python για να δημιουργήσουν μια απλή εφαρμογή που δημιουργεί αυτόματα μια περίληψη του εισαγόμενου κειμένου.

Με το τέλος αυτής της εκπαίδευσης, οι συμμετέχοντες θα είναι σε θέση:

• Να χρησιμοποιούν ένα εργαλείο γραμμής εντολών που συνοψίζει κείμενο.
• Να σχεδιάζουν και να δημιουργούν κώδικα Περίληψης Κειμένου χρησιμοποιώντας τις βιβλιοθήκες Python.
• Να αξιολογούν τρεις βιβλιοθήκες περίληψης Python: sumy 0.7.0, pysummarization 1.0.4, readless 1.0.17

Ακροατήριο

• προγραμματιστές
• Επιστήμονες Δεδομένων

Μορφή του μαθήματος

• Μέρος διάλεξη, μέρος συζήτηση, ασκήσεις και βαριά πρακτική εξάσκηση