0
JeyLie

otus Подготовительный курс по Python разработке (2019)

Рекомендуемые сообщения

cc.jpg

Данный курс позволит вам овладеть базовым набором знаний и навыков, необходимых для старта карьеры разработчика на Python и подготовки к основному курсу «Разработчик Python».

Материалы курса представляют собой предварительно записанные в студии лекции с теоретической частью и наглядной практической работой. После каждой лекции вам будет предложен тест для проверки усвоенного материала.

Курс состоит из 12 блоков, в рамках которых рассмотрены следующие темы:

— Базовые типы и структуры данных;
— Функциональное программирование и работа с данными;
— Организация кода в модули. Исключения и классы;
— Файлы и сеть. HTTP;
— Django;
— NumPy;
— Pandas;
— Shell, virtualenv, git.

ПРОГРАММА КУРСА:

Модуль 1
Основы языка программирования Python

Занятие №1: «Базовые типы и структуры данных»
Учащийся изучит понятие "типы данных", узнает базовые типы данных, научится управлять потоком (логикой работы), узнает основные операторы.

Тест к занятию 1

Занятие №2: «Функциональное программирование и работа с данными»
Учащийся получит знания о следующем: замыкания, сomprehensions, generators (в т.ч. как создавать генераторы), циклы for и while, функции Map, Filter and Reduce, декораторы (как применять и как создавать), менеджеры контекста, возврат значения из функции, распаковка list / tuple, Default Argument Values.

Тест к занятию 2

Занятие №3: «Организация кода в модули. Исключения и классы»
Учащийся изучит возможности ООП, научится создавать свои классы, изучит возможности наследования, сможет обрабатывать исключения, научится организовывать код в модули с логической структурой.

Тест к занятию 3

Занятие №4: «Файлы и сеть. HTTP»
Учащийся научится:
— работать с файлами;
— Ознакомится с протоколами TCP/IP;
— Создавать простейший сервер и клиента;
— Работать с HTTP.

Тест к занятию 4

Модуль 2
Django

Занятие №5: «Django 1. Знакомство, URLs и functional based views»
Учащийся ознакомится с общей философией Django и научится:
— создавать проект;
— обрабатывать запросы от пользователей при помощи FBV;
— обрабатывать HTML шаблоны (необходимо базовое знание html);
— познакомится с Bootstrap.

Тест к занятию 5

Занятие №6: «Django 2. more built-in template tags and filters, Class-Based Views»
Студент научится:
— создавать проект;
— обрабатывать запросы от пользователей при помощи FBV;
— обрабатывать HTML шаблоны (необходимо базовое знание html);
— познакомится с Bootstrap.

Тест к занятию 6

Занятие №7: «Django 3. Models, DB + ORM, Class-Based Views, Forms
Студент научится:
— создавать модели;
— создавать миграции;
— выполнять миграции;
— работать с Django Admin;
— создавать формы;
— обрабатывать формы.

Тест к занятию 7

Занятие №8: «Django 4. Raw SQL, индексы, нормализация данных»
Студент научится:
— создавать отношения видов один к одному, многие к одному и многие ко многим;
— выполнять запросы в базу данных при помощи Django ORM;
— выполнять чистый SQL через Django ORM.

Тест к занятию 8

Занятие №9: «Django 5. Модели и сигналы. Тестирование. Кастомизация settings»
Студент научится:
— обрабатывать сигналы django;
— создавать unit тесты для моделей;
— создавать unit тесты для views.

Тест к занятию 9


Модуль 3
Продвинутый Python

Занятие №10. «NumPy»
Студент познакомится с библиотекой NumPy:
— научится создавать ndarray.
— узнает основные атрибуты ndarray: ndim, shape, size, itemsize, dtype.
— познакомится с базовыми функциями numpy и основными методами ndarray.
— научится изменять массивы и создавать новые на основе существующих.

Тест к занятию 10

Занятие №11. «Pandas: анализ данных на Python»
Студент познакомится с библиотекой Pandas и научится основам работы с ней:
— узнает, зачем нужна библиотека Pandas
— узнает про Series и DataFrame, и научится создавать их
— научится создавать индексы Series и индексировать
— научится создавать Series и изменять их по индексам и срезам
— научится создавать и изменять DataFrame
— научится сравнивать DataFrame между собой .
— научится загружать данные из файла и сохранять DataFrame обратно на диск.
— познакомится с основными атрибутами и методами DataFrame .
— научится группировать данные и делать сводные таблицы.

Тест к занятию 11

Занятие №12. «Shell, virtualenv, git»
Студент познакомится с bash, научится работать с python virtual environment и освоит:
— пакетный менеджер;
— перемещение по директориям;
— работу с файлами и папками;
— применение виртуального окружения в python разработке;
— git, от веток до конфликтов и cherry-pick.
 

Спойлер

https://cloud.mail.ru/public/2KdH/Eykfpgwbq

 

Поделиться сообщением


Ссылка на сообщение

Пожалуйста, войдите, чтобы комментировать

Вы сможете оставить комментарий после входа в



Войти
0

  • Похожий контент

    • От JeyLie
      Темы первого модуля:

      Введение в алгоритмы, RAM-модель
      Студенты смогут оценивать сложность алгоритмов, ознакомятся с эмулятором RAM-машины.

      Порядок роста функций, нотации для обозначения порядка роста
      Студенты освоят нотации о малое, о большое, омега малое, омега большое, тета, научатся применять полученные знания на практике при оценке сложности реальных алгоритмов.

      Простейшие структуры данных: массив, динамический массив, стек, очередь, списки, кучи
      Студенты ознакомятся с использованием и реализацией простейших структур данных.

      Алгебраические алгоритмы: алгоритм Евклида, быстрое возведение в степень, решето Эратосфена, быстрое вычисление чисел Фибоначчи
      Студенты ознакомятся с использованием и реализацией некоторых популярных алгебраических алгоритмов.

      Сортировка вставками, сортировка Шелла, сортировка выбором, пузырьковая сортировка
      Студенты освоят алгоритмы сортировки вставками, выбором, пузырьком, сортировку Шелла. По окончании занятия студенты смогут реализовывать и правильно применять данные алгоритмы.

      Сортировка слиянием, timsort
      Студенты освоят и смогут реализовать алгоритмы сортировки слиянием и timsort.

      Пирамидальная сортировка (heap sort), tree sort, очередь с приоритетами
      Студенты смогут реализовывать и применять пирамидальную сортировку, tree sort, очередь с приоритетами.

      Быстрая сортировка
      Студенты освоят алгоритм быстрой сортировки.

      Сортировка подсчетом, поразрядная сортировка, блочная сортировка (bucket sort)
      Студенты освоят и смогут реализовать сортировку подсчетом, поразрядную сортировку, блочную сортировку.

      Медианы и порядковые статистики
      Студенты научатся реализовывать алгоритмы для нахождения медианы и порядковых статистик.
       
    • От JeyLie
      Программа курса:
      Первый модуль
      Для разработки в области анализа данных необходимо понимать, как устроены основные алгоритмы, какая у них сложность и скорость работы, сколько требуется ресурсов для их успешной работы, область применимости.В первом модуле программы разбираются все базовые алгоритмы машинного обучения. Изучение проходит на сгенерированных данных, не требующих времени на преобразование и доработку. Разъясняется значение и влияние параметров алгоритмов на результат. Каждый этап обучения сопровождается наглядной визуализацией.Будут рассмотрены алгоритмы: линейная регрессия, логистическая регрессия, деревья решений, knn, SVM, k-means, EM, иерархическая кластеризация, DBScanВ результате слушатели уверенно освоят базовые алгоритмы анализа данных и инструменты для базового анализа данных на Python

      Занятие 1: Базовые инструменты анализа данных в Python. 
      Подготовка к курсу. Git, окружение Python. Обзор курса.
      Введение в Python, Numpy, Pandas, Sklearn. API Sklearn.
      Что такое DS, ML, классы решаемых задач.
      ДЗ
      Реализация библиотеки. Реализация библиотеки для подсчета статистик и преобразования датасетов в формате csv. Отработка инструментов для преобразования данных в pandas и sklearn.

      Занятие 2: Вводная в математические операции. 
      Интеграл, производная, их свойства, вероятность, плотность вероятности, мат.ожидание, дисперсия, ковариация, матричные вычисления, определитель, обратная матрица и т.п.

      Занятие 3: Визуализация 
      Визуализация на matplotlib, seaborn, plotly
      ДЗ
      Построение визуализаций по данным

      Занятие 4: Линейная регрессия 
      Математика линейной регрессии. Проблема многомерных пространств и переобучения на примере регрессии. Проблема разреженных данных. Регуляризация.
      Простая линейная регрессия на Python. Оценка качества регресcии. Проверка точности модели: обучающая и тестовая выборки. Обучающая и тестовая выборка, кросс-валидация.

      Занятие 5: Логистическая регрессия 
      Математика логистической регрессии. Мультиклассовая регрессия. Оценка качества логистической регрессии.
      Теория вероятностей: условные вероятности, теорема Байеса.
      Обучение регрессии, градиентный спуск. Регуляризация: L1, L2.
      ДЗ
      Реализация алгоритма логистической регрессии. Реализация алгоритма логистической регрессии на простых данных. Оценка качества, подбор параметров модели.

      Занятие 6: KNN, наивный байес 
      Метрики и расстояния между объектами: евклидова и другие.
      Обучение модели kNN. Ограничения.
      Метрики качества: accuracy, precision, recall, др.
      Алгоритм наивного байеса. Байесовский классификатор, Принцип Maximum A-Posteriori

      Занятие 7: kMeans, EM 
      Обучение без учителя. Алгоритмы кластеризации, области применения. k-means. Оценка качества обучения, ограничения и подбор алгоритма для задачи.
      Байесов подход к вероятности. Алгоритмы с lower-bound. Em алгоритм.
      ДЗ
      Реализация EM-алгоритма. Реализация EM-алгоритма на простых данных. Оценка качества кластеризации.

      Занятие 8: Иерархическая кластеризация, DB-Scan 
      Иерархическая кластеризация, DB-Scan. Optics. Спектральная кластеризация.

      Занятие 9: Feature engineering 
      Feature engineering. Статистический анализ данных, выбор фич на основе корреляции.
      ДЗ
      Преобразование набора данных и подбор фич.

      Занятие 10: Поиск выбросов в данных 
       
       
    • От JeyLie
      Вы узнаете:

      • Как мотивировать людей и вовлечь их в работу
      • Что такое команда и как повысить её производительность
      • Какой результат управленческой деятельности можно считать выдающимся
      • Как этого результата достичь
      • Чем должен заниматься руководитель, а чем нет
      • Как сокращать издержки в коммуникациях