Programowanie w pythonie

Materiały do zajęć Programowanie w Pythonie prowadzone na Wydziale Matematyki i Informatyki UAM w ramach studiów podyplomowych Przetwarzanie danych - Big Data. Kurs 2023/2024

Informacja o przedmiocie

Prowadzący: mgr inż. Jakub Pokrywka. Kontakt przez komunikator MS TEAMS lub mailowy (jakub.pokrywka@amu.edu.pl).

Materiały do przedmiotu i jak się uczyć

Program jest wzorowany na https://github.com/tomekd/python . Spora cześć zadań się pokrywa, ale nie wszystkie.

Do nauki można wykorzystać wiele tutoriali internetowych python (w wersji python3). Pomocne mogą byc w szczególności:

• Learning Python, 5th Edition by Lutz, Mark
• datacamp.com: Portal DataCamp zawiera wiele interaktywych kursów nt. poszczególnych elementów języka Python (również dla języka R.).
• Python3: From None to Machine Learning
• Real Python
• Dive in Python: Klasyczny kurs programowania w Pythonie.
• Filmy na Youtubie: seria filmów od Microsoftu nt. podstaw programowania w Pythonie.

Ogólny Plan zajęć

• Zajęcia 1 - Wprowadzenie do python

• Zajęcia 2 - Analiza danych

• Zajęcia 3 - Analiza danych, instalacja środowiska, IDE

• Zajęcia 4 - Podstawy uczenia maszynowego w python

• Zajęcia 5 - Podstawy uczenia maszynowego w python, obługa maszyny wirtualnej

• Zajęcia 6 - Tworzenie REST API

• Zajęcia 7 - Tworzenie REST API, testowanie aplikacji

Zaliczenie przedmiotu

• Projekt wykonujemy w grupach (1-3) osoby
• Kod źródłowy powinien być umieszczony na git wraz z plikiem environment.yml przeznaczonym do instalacji środowiska dla conda
• Prezentacja całego projektu powinna trwać 5-15 minut
• Przykładowa prezentacja: https://docs.google.com/presentation/d/1UeUB8s7Go8Dsjk0RyZZdcr6TSgDLuM9gmewOwlm86qU/edit?usp=sharing
• przykładowa aplikacja do serwowania modelu ML: http://kubapok.projektstudencki.pl:8000/docs (dostępny tylko w sieci wydziałowej)
• Przykłady są bardzo podstawowe. Zachęcam do stworzenia bardziej rozbudowanego projektu bazującego na Państwa zainteresowaniach
• Proszę uwzględnić, że dodatkowo należy będzie pokazać repozytorium kodu oraz testy

Skala ocen

• Należy wybrać zbiór danych (akceptacja grup oraz zbioru danych przez prowadzącego na pierwszych 17.11.21 lub drugich zajęciach 18.11.23), zaprezentować analizę tego zbioru danych (tabelki, wykresy, wnioski) w max 10 minut- zaliczenie na ocenę 3)
• Należy wytrenować prosty model uczenia maszynowego (lub użyć gotowego modelu) i zaprezentować jego wyniki na zbiorze testowym. Jakość modelu nie będzie oceniana, ale powinien radzić sobie lepiej niż bardzo prosty model (klasa większościowa dla klasyfikacji lub średnia dla regresji)- zaliczenie na ocenę 4
• Należy wystawić model z poprzedniego punktu w prostej aplikacji REST i zaprezentować jego działanie. Do aplikacji powininy być napisane conajmniej 2-3 proste przypadki testowe- zaliczenie na llocenę 4.5
• Należy udostępnić aplikację w sieci wydziałkowej 5

W celu prezentacji projektu należy umowić sie z prowadzącym na prezentacje zdalną lub na wydziale (tylko w dni pracujące). Termin oddania zadań do koniec stycznia 2024. Dodatkowo można zgłosić prezentacje do końca 2023- wtedy prowadzący proponuje ocenę i zespół może albo ją przyjąć lub nie i spróbować jeszcze raz w styczniu.

Dodatkowe materiały

jupyter notebook

• https://noteable.io/blog/jupyter-notebook-shortcuts-boost-productivity/

bash

• https://www.earthdatascience.org/courses/intro-to-earth-data-science/open-reproducible-science/bash/
• https://www.educative.io/blog/bash-shell-command-cheat-sheet

git

• https://git.wmi.amu.edu.pl/
• https://www.freecodecamp.org/news/learn-the-basics-of-git-in-under-10-minutes-da548267cc91/
• https://git-scm.com/docs/gittutorial
• https://git-scm.com/book/en/v2

pycharm tutorial:

• https://www.jetbrains.com/guide/python/tutorials/getting-started-pycharm/