Pliki JupyterLab i testowy jakiś kod

PythonAI/.gitignore

@@ -0,0 +1 @@
+**/.ipynb_checkpoints

PythonAI/JupyterLab/data/AAPL_stock_price_example.csv

@@ -0,0 +1,230 @@
+Date,Close
+2019-01-02,157.919998
+2019-01-03,142.190002
+2019-01-04,148.259995
+2019-01-07,147.929993
+2019-01-08,150.75
+2019-01-09,153.309998
+2019-01-10,153.800003
+2019-01-11,152.289993
+2019-01-14,150
+2019-01-15,153.070007
+2019-01-16,154.940002
+2019-01-17,155.860001
+2019-01-18,156.820007
+2019-01-22,153.300003
+2019-01-23,153.919998
+2019-01-24,152.699997
+2019-01-25,157.759995
+2019-01-28,156.300003
+2019-01-29,154.679993
+2019-01-30,165.25
+2019-01-31,166.440002
+2019-02-01,166.520004
+2019-02-04,171.25
+2019-02-05,174.179993
+2019-02-06,174.240005
+2019-02-07,170.940002
+2019-02-08,170.410004
+2019-02-11,169.429993
+2019-02-12,170.889999
+2019-02-13,170.179993
+2019-02-14,170.800003
+2019-02-15,170.419998
+2019-02-19,170.929993
+2019-02-20,172.029999
+2019-02-21,171.059998
+2019-02-22,172.970001
+2019-02-25,174.229996
+2019-02-26,174.330002
+2019-02-27,174.869995
+2019-02-28,173.149994
+2019-03-01,174.970001
+2019-03-04,175.850006
+2019-03-05,175.529999
+2019-03-06,174.520004
+2019-03-07,172.5
+2019-03-08,172.910004
+2019-03-11,178.899994
+2019-03-12,180.910004
+2019-03-13,181.710007
+2019-03-14,183.729996
+2019-03-15,186.119995
+2019-03-18,188.020004
+2019-03-19,186.529999
+2019-03-20,188.160004
+2019-03-21,195.089996
+2019-03-22,191.050003
+2019-03-25,188.740005
+2019-03-26,186.789993
+2019-03-27,188.470001
+2019-03-28,188.720001
+2019-03-29,189.949997
+2019-04-01,191.240005
+2019-04-02,194.020004
+2019-04-03,195.350006
+2019-04-04,195.690002
+2019-04-05,197
+2019-04-08,200.100006
+2019-04-09,199.5
+2019-04-10,200.619995
+2019-04-11,198.949997
+2019-04-12,198.869995
+2019-04-15,199.229996
+2019-04-16,199.25
+2019-04-17,203.130005
+2019-04-18,203.860001
+2019-04-22,204.529999
+2019-04-23,207.479996
+2019-04-24,207.160004
+2019-04-25,205.279999
+2019-04-26,204.300003
+2019-04-29,204.610001
+2019-04-30,200.669998
+2019-05-01,210.520004
+2019-05-02,209.149994
+2019-05-03,211.75
+2019-05-06,208.479996
+2019-05-07,202.860001
+2019-05-08,202.899994
+2019-05-09,200.720001
+2019-05-10,197.179993
+2019-05-13,185.720001
+2019-05-14,188.660004
+2019-05-15,190.919998
+2019-05-16,190.080002
+2019-05-17,189
+2019-05-20,183.089996
+2019-05-21,186.600006
+2019-05-22,182.779999
+2019-05-23,179.660004
+2019-05-24,178.970001
+2019-05-28,178.229996
+2019-05-29,177.380005
+2019-05-30,178.300003
+2019-05-31,175.070007
+2019-06-03,173.300003
+2019-06-04,179.639999
+2019-06-05,182.539993
+2019-06-06,185.220001
+2019-06-07,190.149994
+2019-06-10,192.580002
+2019-06-11,194.809998
+2019-06-12,194.190002
+2019-06-13,194.149994
+2019-06-14,192.740005
+2019-06-17,193.889999
+2019-06-18,198.449997
+2019-06-19,197.869995
+2019-06-20,199.460007
+2019-06-21,198.779999
+2019-06-24,198.580002
+2019-06-25,195.570007
+2019-06-26,199.800003
+2019-06-27,199.740005
+2019-06-28,197.919998
+2019-07-01,201.550003
+2019-07-02,202.729996
+2019-07-03,204.410004
+2019-07-05,204.229996
+2019-07-08,200.020004
+2019-07-09,201.240005
+2019-07-10,203.229996
+2019-07-11,201.75
+2019-07-12,203.300003
+2019-07-15,205.210007
+2019-07-16,204.5
+2019-07-17,203.350006
+2019-07-18,205.660004
+2019-07-19,202.589996
+2019-07-22,207.220001
+2019-07-23,208.839996
+2019-07-24,208.669998
+2019-07-25,207.020004
+2019-07-26,207.740005
+2019-07-29,209.679993
+2019-07-30,208.779999
+2019-07-31,213.039993
+2019-08-01,208.429993
+2019-08-02,204.020004
+2019-08-05,193.339996
+2019-08-06,197
+2019-08-07,199.039993
+2019-08-08,203.429993
+2019-08-09,200.990005
+2019-08-12,200.479996
+2019-08-13,208.970001
+2019-08-14,202.75
+2019-08-15,201.740005
+2019-08-16,206.5
+2019-08-19,210.350006
+2019-08-20,210.360001
+2019-08-21,212.639999
+2019-08-22,212.460007
+2019-08-23,202.639999
+2019-08-26,206.490005
+2019-08-27,204.160004
+2019-08-28,205.529999
+2019-08-29,209.009995
+2019-08-30,208.740005
+2019-09-03,205.699997
+2019-09-04,209.190002
+2019-09-05,213.279999
+2019-09-06,213.259995
+2019-09-09,214.169998
+2019-09-10,216.699997
+2019-09-11,223.589996
+2019-09-12,223.089996
+2019-09-13,218.75
+2019-09-16,219.899994
+2019-09-17,220.699997
+2019-09-18,222.770004
+2019-09-19,220.960007
+2019-09-20,217.729996
+2019-09-23,218.720001
+2019-09-24,217.679993
+2019-09-25,221.029999
+2019-09-26,219.889999
+2019-09-27,218.820007
+2019-09-30,223.970001
+2019-10-01,224.589996
+2019-10-02,218.960007
+2019-10-03,220.820007
+2019-10-04,227.009995
+2019-10-07,227.059998
+2019-10-08,224.399994
+2019-10-09,227.029999
+2019-10-10,230.089996
+2019-10-11,236.210007
+2019-10-14,235.869995
+2019-10-15,235.320007
+2019-10-16,234.369995
+2019-10-17,235.279999
+2019-10-18,236.410004
+2019-10-21,240.509995
+2019-10-22,239.960007
+2019-10-23,243.179993
+2019-10-24,243.580002
+2019-10-25,246.580002
+2019-10-28,249.050003
+2019-10-29,243.289993
+2019-10-30,243.259995
+2019-10-31,248.759995
+2019-11-01,255.820007
+2019-11-04,257.5
+2019-11-05,257.130005
+2019-11-06,257.23999
+2019-11-07,259.429993
+2019-11-08,260.140015
+2019-11-11,262.200012
+2019-11-12,261.959991
+2019-11-13,264.470001
+2019-11-14,262.640015
+2019-11-15,265.76001
+2019-11-18,267.100006
+2019-11-19,266.290009
+2019-11-20,263.190002
+2019-11-21,262.01001
+2019-11-22,261.779999
+2019-11-25,266.369995
+2019-11-26,264.290009

PythonAI/JupyterLab/dzien1_numpy_notebook_trener.ipynb

@@ -0,0 +1,226 @@
+{
+ "cells": [
+  {
+   "cell_type": "markdown",
+   "id": "d057e434",
+   "metadata": {},
+   "source": [
+    "# 🧠 Dzień 1: Środowisko pracy analityka i NumPy\n"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "87a3a255",
+   "metadata": {},
+   "source": [
+    "## 🔧 Konfiguracja środowiska\n",
+    "Zainstaluj Anacondę i utwórz środowisko Conda o nazwie `ml-env`:\n",
+    "\n",
+    "```bash\n",
+    "conda create -n ml-env python=3.12\n",
+    "conda activate ml-env\n",
+    "```\n",
+    "\n",
+    "Możesz także użyć `pip` do instalacji paczek:\n",
+    "\n",
+    "```bash\n",
+    "pip install numpy pandas jupyter\n",
+    "```\n"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "f7fb0290",
+   "metadata": {},
+   "source": [
+    "## 📓 Jupyter Notebook – podstawy\n",
+    "- Komórki kodu i Markdown\n",
+    "- Skróty klawiszowe (`Ctrl+Enter`, `Shift+Enter`, `A`, `B` itd.)\n",
+    "\n",
+    "**Zadanie:** Stwórz komórkę Markdown i wpisz nagłówek oraz listę punktowaną."
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "18bf84af",
+   "metadata": {},
+   "source": [
+    "## 🔢 NumPy – podstawy\n",
+    "- Tworzenie wektorów i macierzy\n",
+    "- Operacje matematyczne\n",
+    "- Wektoryzacja i broadcasting\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 1,
+   "id": "e3bfabbb",
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "[1 2 3]\n",
+      "[[1 2]\n",
+      " [3 4]]\n"
+     ]
+    }
+   ],
+   "source": [
+    "# Przykład: stworzenie wektora i macierzy\n",
+    "import numpy as np\n",
+    "\n",
+    "wektor = np.array([1, 2, 3])\n",
+    "macierz = np.array([[1, 2], [3, 4]])\n",
+    "print(wektor)\n",
+    "print(macierz)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "666b0410",
+   "metadata": {},
+   "source": [
+    "### ✍️ Zadanie 1\n",
+    "Stwórz:\n",
+    "- wektor 1D z liczbami od 10 do 20\n",
+    "- macierz 3x3 z losowymi liczbami całkowitymi od 0 do 100"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": 2,
+   "id": "10555f08",
+   "metadata": {},
+   "outputs": [
+    {
+     "name": "stdout",
+     "output_type": "stream",
+     "text": [
+      "[10 11 12 13 14 15 16 17 18 19 20]\n",
+      "[[26 84 24]\n",
+      " [92 74 70]\n",
+      " [91 15 14]]\n"
+     ]
+    }
+   ],
+   "source": [
+    "# Zadanie 1 – Przykładowe rozwiązanie\n",
+    "wektor = np.arange(10, 21)\n",
+    "macierz = np.random.randint(0, 101, size=(3, 3))\n",
+    "print(wektor)\n",
+    "print(macierz)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "3660456f",
+   "metadata": {},
+   "source": [
+    "### ✍️ Zadanie 2\n",
+    "Wykonaj dodawanie, mnożenie i dzielenie elementów dwóch tablic NumPy o takim samym rozmiarze."
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "64897ffd",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Zadanie 2 – Przykładowe rozwiązanie\n",
+    "a = np.array([1, 2, 3])\n",
+    "b = np.array([4, 5, 6])\n",
+    "print(\"Dodawanie:\", a + b)\n",
+    "print(\"Mnożenie:\", a * b)\n",
+    "print(\"Dzielenie:\", a / b)"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "92dc2d65",
+   "metadata": {},
+   "source": [
+    "## 🎯 Wektoryzacja i broadcasting\n",
+    "Pokażmy, jak NumPy automatycznie rozszerza kształty macierzy:\n"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "7d8b1810",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "a = np.array([1, 2, 3])\n",
+    "b = 10\n",
+    "a * b  # broadcasting mnożenia przez skalar"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "a2a2bb9d",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Zadanie 3 – Przykładowe rozwiązanie\n",
+    "macierz = np.array([[1, 2, 3], [4, 5, 6], [7, 8, 9]])\n",
+    "wektor = np.array([10, 20, 30])\n",
+    "# Dodanie wektora do każdej kolumny\n",
+    "wynik1 = macierz + wektor\n",
+    "# Przemnożenie kolumn przez inne wartości\n",
+    "współczynniki = np.array([1, 2, 3])\n",
+    "wynik2 = macierz * współczynniki\n",
+    "print(\"Dodanie:\", wynik1, sep=\"\\n\")\n",
+    "print(\"Mnożenie:\", wynik2, sep=\"\\n\")"
+   ]
+  },
+  {
+   "cell_type": "code",
+   "execution_count": null,
+   "id": "4a54d6b7",
+   "metadata": {},
+   "outputs": [],
+   "source": [
+    "# Tutaj wpisz swoje rozwiązanie\n"
+   ]
+  },
+  {
+   "cell_type": "markdown",
+   "id": "1823dd52",
+   "metadata": {},
+   "source": [
+    "## ✅ Podsumowanie dnia 1\n",
+    "Znasz już:\n",
+    "- podstawy Conda, pip i środowisk\n",
+    "- jak korzystać z Jupyter Notebook\n",
+    "- jak tworzyć i przekształcać dane w NumPy\n",
+    "\n",
+    "W kolejnym dniu przejdziemy do Pandas i pobierania danych."
+   ]
+  }
+ ],
+ "metadata": {
+  "kernelspec": {
+   "display_name": "Python 3 (ipykernel)",
+   "language": "python",
+   "name": "python3"
+  },
+  "language_info": {
+   "codemirror_mode": {
+    "name": "ipython",
+    "version": 3
+   },
+   "file_extension": ".py",
+   "mimetype": "text/x-python",
+   "name": "python",
+   "nbconvert_exporter": "python",
+   "pygments_lexer": "ipython3",
+   "version": "3.12.9"
+  }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 5
+}

PythonAI/readme.md

@@ -27,6 +27,36 @@ Alternatywy: Google Collab, VSCode z rozszerzeniami Python i Jupyter
  - nie będziemy korzystać bezpośrednio - bo większość szerszych frameworków korzysta z NumPy pod spodem, np Pandas
 
 
+### Analiza danych w Pythonie
+#### Podstawowe pojęcia
+ - macierze - tablice wierowymiarowe - zawierają elementy tego samego typu
+ - szeregi - jednowymiarowe tablice. mogą mieć etykiety dla indeksów
+ - ramki danych - tablice dwuwymiarowe, składają się z kolumn różnych typów
+
+#### NumPy
+ - fukcje matematyczne
+   - trygonometria, geometria, statystyka
+ - np.random
+ - maski logiczne, filtrowanie danych
+ - broadcasting - rozszerzanie małych tablic przy operacjach na większych tablicach
+
+Statystyka:
+ - np.mean(), np.median(), np.std(), np.max(), np.min()
+
+tworzenie tablic:
+ - np.zeros(), np.ones(), np.arange()
+
+z NumPy faktycznie się nie korzysta na codzień, bo Pandas to wszystko opakowywuje
+
+#### Pandas
+jest też Polars - nowy, dynamicznie rozwijany, oparty na chmurze, dużo szybszy od Pandas
+
+Pamdas jest głównie używany do analizy danych, przygotowanie danych do machine learningu
+
+##### Import danych do Pandas
+pd.read_csv(), read_sql(), read_excel() itp itd, bardo dużo formatów
+
+