Python — od podstaw do zaawansowanego

Poznasz pierwszy program, zmienne, typy danych i sposób interakcji z użytkownikiem.

Instrukcje warunkowe i pętle — fundamenty logiki programu.

Listy, słowniki, krotki i zbiory — struktury, w których przechowujesz dane.

Funkcje pozwalają wielokrotnie używać kodu. Moduły organizują kod w pliki i pakiety.

Klasy i obiekty, obsługa wyjątków i operacje na plikach — wstęp do średniozaawansowanego Pythona.

Lambdy, closure, dekoratory i type hints — narzędzia, które odróżniają początkującego od średniozaawansowanego.

Klasy, instancje, dziedziczenie, polimorfizm — fundament dużych programów w Pythonie.

try/except/else/finally, raise, własne wyjątki, context managers — programy, które nie wybuchają.

Czytanie i pisanie do plików tekstowych, JSON, CSV oraz nowoczesne pathlib zamiast os.path.

datetime, collections, itertools, functools — narzędzia z stdlib, które oszczędzają Ci pisania własnych rozwiązań.

yield, generator expressions, protokół iteratora — leniwe obliczenia i nieskończone ciągi bez kosztu pamięciowego.

async/await, coroutines, gather, asyncio.run — równoległe operacje I/O bez wątków.

Funkcje testowe, asercje, fixtures, parametrize, mockowanie — pytest jako standardowe narzędzie w ekosystemie Pythona.

@dataclass i Enum — nowoczesne sposoby na strukturyzowanie danych bez boilerplate'u.

venv, pip, requirements.txt, mypy, ruff, black, struktura projektu — ekosystem nowoczesnego Pythona.

Generics, Protocol, TypedDict, Literal — Python typing dla dojrzałego kodu z mypy/pyright.

Klasyczne GoF wzorce w wydaniu Pythonowym — często prostsze niż w Javie/C++ dzięki dynamicznym możliwościom języka.

Mierzenie i optymalizacja kodu — timeit, cProfile, memory_profiler, dis. Najpierw zmierz, potem optymalizuj.

Threading, multiprocessing, concurrent.futures i GIL. Kiedy używać czego — async vs threads vs procesy.

Tworzenie i dystrybucja pakietów Python — pyproject.toml, build, twine, wheel. Jak udostępnić bibliotekę na PyPI.

ndarray, broadcasting, indexing, ufuncs — NumPy to baza całego AI/ML stacka w Pythonie. Wydajny C-level, vectorized operations.

DataFrame, Series, groupby, merge, time series. Pandas to standardowe narzędzie do ETL i eksploracji danych w Pythonie.

Figure/Axes, subplots, customization, seaborn high-level API. Wizualizacja to klucz do eksploracji danych i komunikacji wyników modelu.

fit/predict API, Pipeline, train/test split, metrics, cross-validation. sklearn = de facto standard dla classical ML w Pythonie.

Tensor API, autograd, device (CPU/CUDA/MPS), nn.Module, training loop. PyTorch to standard deep learning research i coraz częściej produkcji.