63 lines
2.1 KiB
Markdown
63 lines
2.1 KiB
Markdown
# Python AI
|
|
## 25.03
|
|
Zalogowałem się do classroom.google.com kontem sasza.stanczew@gmail.com
|
|
główne środowisko treningu to Google Collab - bo łatwiej będzie ogarnąć zależności itp, a poza tym Anacondę nie zainstalojemy bo łamałoby to licencję
|
|
|
|
### Środowisko
|
|
- Anaconda - dystrybucja zawierająca Python oraz najważniejsze biblioteki analityczne
|
|
- Jupyter Notebook - interkatywne środowisko umożiwiające łączenie kodu, tekstu i wizualizacji
|
|
|
|
Instalacja - pobrać Anacondę z oficjalnej strony i zainstalować
|
|
Następnie uruchomić Jupyter Notebook przez Anaconda Navigator (lub `jupyter notebook`)
|
|
Alternatywy: Google Collab, VSCode z rozszerzeniami Python i Jupyter
|
|
|
|
### Analiza danych w Pythonie
|
|
|
|
#### Bublioteki
|
|
##### NumPy
|
|
- obliczenia numeryczne, praca z macierzami i tablicami
|
|
##### Pandas
|
|
- analiza danych tabelarycznych - import, czyszczenie i zanaliza danych. Oferuje ramki danych i szeregi
|
|
|
|
#### Google Collab - nowy notebook - to jest praktycznie Jupyter
|
|
-
|
|
|
|
### NumPy
|
|
- obliczenia na dużych zestawach danych
|
|
- 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
|
|
|
|
|
|
|
|
|
|
|
|
|