Профессия
Разработчик на Python
52 часа
13 курсов
Освойте профессию Python-разработчика
Зачем нужен сертификат?
• Подтверждение целостности полученных знаний
• Предъявить будущему работодателю или HR
• Прикрепить к резюме как подтверждающий документ
• Предъявить будущему работодателю или HR
• Прикрепить к резюме как подтверждающий документ
Инструкторы:
Хамидуллин Рустам
Шафиева Анастасия
Омельченко Михаил
Озова Залина
Козлова Дарья
Кулиев Виталий
Свиридов Николай
Магомедова Дженнет
Алтов Иван
Python для начинающих
В курсе вы узнаете о мощных способах хранения и управления данными, а также о полезных инструментах для обработки данных, которые помогут вам самостоятельно проводить анализ.
1Привет, Python!
50
Интерфейс Python
100
Когда применять Python?
50
Комментируем код
100
Арифметические операции
100
Переменные и типы данных
50
Присваиваем значение переменных
100
Вычисления с переменными
100
Другие типы данных
100
Угадайте тип данных
50
Операции с различными типами данных
100
Преобразование типов данных
100
Все ли может Python?
50
Списки Python
50
Создание списка
100
Создание списка с различными типами данных
100
Выберите действительный список
50
Список списков
100
Выборка списков
50
Выборка с использованием отрицательных индексов
100
Работа с элементами списка
100
Срезы
100
Срезы (2)
100
Выборка в списке списков
50
Изменение списков
50
Замена элемента списка
100
Расширение списка
100
Удаление элемента списка
50
Механизм работы списков
100
Функции
50
Знакомые функции
100
Помогите!
50
Несколько аргументов
100
Методы
50
Методы строк
100
Методы списка
100
Методы списка (2)
100
Пакеты
50
Импорт пакетов
100
Частичный импорт
100
Различные способы импорта
50
NumPy
50
Ваш первый массив NumPy
100
Рост футболистов
100
Индекс массы тела футболистов
100
Определяем самого легкого футболиста
100
Особенности NumPy
50
Выборка массивов NumPy
100
Двумерные массивы NumPy
50
Ваш первый двумерный массив NumPy
100
Данные о футболистах в двумерном массиве
100
Выборка в двухмерном массиве NumPy
100
Векторные вычисления
100
NumPy: Статистика данных
50
Среднее значение в сравнении с медианным
100
Изучаем данные о футболистах дальше
100
Объединяем все данные
100
4 часа
Python для среднего уровня
Изучение Python имеет решающее значение для любого начинающего специалиста
2Matplotlib – базовые графики
50
Линейный график (1)
100
Линейный график (2) – Интерпретация
50
Линейный график (3)
100
Точечная диаграмма (1)
100
Точечная диаграмма (2)
100
Гистограмма
50
Построение гистограммы (1)
100
Построение гистограммы (2): интервалы
100
Построение гистограммы (3): сравнение
100
Выберите подходящий график (1)
50
Выберите подходящий график (2)
50
Настройка графиков
50
Метки
100
Координаты
100
Размеры
100
Цвета
100
Дополнительные настройки
100
Интерпретация
50
Словари, часть 1
50
Причины создания словарей
100
Создание словарей
100
Доступ к словарю
100
Словари, часть 2
50
Управление словарями (1)
100
Управление словарями (2)
100
Создание словаря
100
Pandas, часть 1
50
Словарь в DataFrame (1)
100
Словарь в DataFrame (2)
100
CSV в DataFrame (1)
100
CSV в DataFrame (2)
100
Pandas, часть 2
50
Квадратные скобки (1)
100
Квадратные скобки (2)
100
Результаты с loc и iloc (1)
100
Результаты с loc и iloc (2)
100
Результаты с loc и iloc (3)
100
Операторы сравнения
50
Равенство
100
Больше и меньше
100
Сравнение массивов
100
Логические операторы
50
and, or, not (1)
100
and, or, not (2)
50
Логические операторы с NumPy
100
if, elif, else
50
Разминка
50
if
100
Добавляем else
100
elif
100
Фильтрация c помощью pandas DataFrames
50
Поиск данных (1)
100
Поиск данных (2)
100
Выборка данных (1)
100
Выборка данных (2)
100
Цикл while
50
while: разминка
50
Создаем цикл while
100
Добавляем условные обозначения
100
Цикл for
50
Перебор списка
100
Индексы и значения (1)
100
Индексы и значения (2)
100
Перебор списка списков
100
Структуры данных, часть 1
50
Перебор словаря
100
Перебор массива NumPy
100
Структуры данных, часть 2
50
Цикл в DataFrame (1)
100
Цикл в DataFrame (2)
100
Добавление столбца (1)
100
Добавление столбца (2)
100
Случайные числа
50
Случайное дробное число
100
Бросаем кости
100
Определите свой следующий шаг
100
Случайное блуждание
50
Следующий шаг
100
Поиск наименьшего значения
100
Поиск случайной блуждающей величины
100
Распределение
50
Имитация случайного блуждания
100
Визуализируем все броски
100
Вводим новые данные
100
Строим график распределения
100
Рассчитаем шансы!
50
5 часов
Типы данных Python для Data Science
У вас есть базовые навыки программирования на Python для науки о данных, но вы жаждете большего? Тогда это курс для вас.
3Введение в типы данных
50
Манипулирование списками
100
Перебор списков
100
Знакомство с кортежами (tuple)
50
Использование типа данных
50
Использование и распаковка кортежей
100
Случайное создание кортежей
100
Множества (set) для неупорядоченных и уникальных данных
50
Объединение и пересечение множеств
100
Определение различий между множествами
100
Использование словарей (dict)
50
Создание и просмотр словарей
100
Безопасный поиск по ключу
100
Работа с вложенными данными
100
Изменение словарей
50
Добавление и расширение словарей
100
Методы pop и del в словарях
100
Работа со словарями
100
Используем словари как Питонисты
50
Проверка словарей на наличие данных
100
Обрабатываем CSV файлы
50
Чтение из файла с помощью CSV-ридера
100
Создание словаря из файла
100
Подсчет стал проще
50
Использование счетчика в списках
100
Поиск наиболее распространенных элементов
100
Используем Defaultdict
50
Создание словарей неизвестной структуры
100
Список как значение ключа defaultdict
100
Используем OrderedDict
50
Работа с упорядоченными словарями
100
Мощный метод .popitem()
100
Используем NamedTuple
50
Создание именованных кортежей для хранения данных
100
Использование атрибутов именованных кортежей
100
Путешествие во времени
50
Строки в DateTimes
100
Преобразование в строку
100
Работа с Datetime
50
Кусочки времени
100
Создание объектов DateTime... now()
100
Часовые пояса
100
Еще немного путушествий во времени
50
Найти время в будущем и в прошлом
100
Поиск отличий в DateTimes
100
Библиотеки которые делают работу проще
50
Локализация времени с помощью pendulum
100
Очеловечивание различий с pendulum
100
В диапазоне дат
50
Читаем данные с помощью CSV Reader и создаем коллекции данных
100
Найдем месяц с наибольшим количеством преступлений
100
Преобразование ваших данных по месяцу и локации
100
Находим наибольшее кол-во преступлений в 2020 году
100
Словари и CSV
50
Чтение ваших данных с помощью DictReader
100
Определить количество арестов по районам и годам
100
Уникальные преступления
100
Финал
50
5 часов
Обработка данных с помощью pandas
Pandas – самая популярная в мире библиотека Python для обработки и анализа данных. Учимся выбирать, фильтровать и преобразовывать данные
4Введение
50
Изучение DataFrame
100
Компоненты DataFrame
100
Сортировка и выборка
50
Сортировка строк
100
Выборка столбцов
100
Выборка строк
100
Выборка по текстовым значениям переменных
100
Новые столбцы
50
Добавление новых столбцов
100
Закрепление полученных знаний
100
Сводная статистика
50
Среднее и медиана
100
Подведение итогов
100
Пишем свои сводные показатели
100
Нарастающие итоги
100
Подсчет
50
Удаление дубликатов
100
Считаем текстовые строки
100
Сводная статистика по группам
50
Считаем долю продаж каждого вида магазинов
100
Вычисления с помощью .groupby()
100
Группировка нескольких показателей
100
Сводные таблицы
50
Выбор по одной переменной
100
Заполнение пропусков и суммирование значений с помощью сводных таблиц
100
Индексы
50
Установка и удаление индексов
100
Выборка через .loc[]
100
Установка многоуровневых индексов
100
Сортировка по значениям индекса
100
Срез и выборка .loc и .iloc
50
Срез по значениям индекса
100
Срез в обоих направлениях
100
Срез временного ряда
100
Выборка по номеру строки/столбца
100
Работа со сводными таблицами
50
Сводная температура по городам и годам
100
Выборка сводных таблиц
100
Вычисления в сводной таблице
100
Визуализация данных
50
Создание графиков
100
Анализ изменения данных во времени
100
Анализ переменных данных
100
Сравнение цен
100
Пропущенные значения
50
Поиск пропущенных значений
100
Удаление пропущенных значений
100
Замена пропущенных значений
100
Создание DataFrames
100
Список словарей
100
Словарь списков
100
Чтение и запись CSV
50
CSV в DataFrame
100
DataFrame в CSV
100
Итоги изучения
50
4 часа
Инструменты Python I
Курс об основных инструментах Python. Функции, аргументы, параметры, области видимости, лямбды.
5Пишем свои функции
50
Строки в Python
50
Встроенные функции Python
50
Создание простой функции
100
Функция с одним параметром
100
Функции, возвращающие одно значение
100
Функции с несколькими параметрами
50
Функции с несколькими параметрами
100
Краткое введение в кортежи
100
Функции, возвращающие несколько значений
100
Подведём итоги
50
Практика (часть 1)
100
Практика (часть 2)
100
Заключение
50
Области видимости
50
Понимание области видимости
50
Ключевое слово global
100
Встроенная область видимости в Python
50
Вложенные функции
50
Вложенные функции (часть 1)
100
Вложенные функции (часть 2)
100
Ключевое слово nonlocal и вложенные функции
100
Аргументы по умолчанию и необязательные
50
Функции с аргументом по умолчанию
100
Функции с несколькими аргументами по умолчанию
100
Функции с позиционными аргументами (*args)
100
Функции с именованными аргументами (**kwargs)
100
Подведём итоги
50
Практика (часть 1)
100
Практика (часть 2)
100
Лямбда-функции
50
Викторина Лямбда-функции
50
Пишем лямбда-функции
100
Функция map() и лямбда-функции
100
Функция filter() и лямбда-функции
100
Функция reduce() и лямбда-функции
100
Введение в обработку исключений
50
Викторина Работа с исключениями
50
Обработка исключений с помощью блока try-except
100
Вызов исключений с помощью raise
100
Подведём итоги
50
Практика (часть 1)
100
Практика (часть 2)
100
Практика (часть 3)
100
Викторина Проверка навыков обработки исключений
50
Заключение
50
3 часа
Инструменты Python II
Продолжаем изучать инструменты Python. Итераторы, генераторы списков.
6Введение в итераторы
50
Итераторы и итерируемые объекты
50
Перебор итерируемых объектов (1)
100
Перебор итерируемых объектов (2)
100
Итераторы в качестве аргументов функции
100
Дополнения к итераторам
50
Использование функции enumerate
100
Использование функции zip
100
Оператор "*" и функция zip
100
Итераторы для чтения больших файлов
50
Обработка больших объемов данных
100
Извлечение нужной информации из набора данных Proger
100
Поздравляем!
50
Генератор списков
50
Создание простого генератора списка
50
Генератор списка для итерируемых объектов
50
Запись генератора списка
100
Вложенные генераторы списков
100
Условия в генераторах списков
50
Условия в генераторах списков (1)
100
Условия в генераторах списков (2)
100
Генераторы словарей
100
Введение в генераторные выражения
50
Генераторы списков и генераторы
50
Синтаксис выражения генератора
100
Изменение выражения в генераторе
100
Создание генераторной функции
100
Подведение итогов по генераторам списков
50
Генераторы списков для данных с временными отметками
100
Условия в генераторах списков для данных с временными отметками
100
Добро пожаловать в практику!
50
Словари в Data Science
100
Создание функции
100
Использование генераторов списков
100
Функция DataFrame
100
Использование генераторов для потоковых данных
50
Обработка данных по частям (1)
100
Генератор для загрузки данных по частям (2)
100
Генератор для загрузки данных по частям (3)
100
Использование pandas read_csv для потоковых данных
50
Загрузка данных по частям (1)
100
Загрузка данных по частям (2)
100
Загрузка данных по частям (3)
100
Функция read_csv для загрузки данных по частям (4)
100
Функция read_csv для загрузки данных по частям (5)
100
Заключение
50
3 часа
Пишем эффективный код на Python
В этом курсе вы узнаете, как использовать встроенные структуры данных, функции и модули Python для написания более чистого, быстрого и эффективного кода.
7Добро пожаловать!
50
Что значит эффективно
50
О том, что нас ждет впереди
100
Zen of Python
50
Сборка со встроенными модулями
50
Применение range()
100
Применение enumerate()
100
Применение map()
100
Сила массивов NumPy
50
Практика работы с массивами NumPy
100
Заключение
100
Изучение времени выполнения кода
50
Ваша очередь! Используйте %timeit.
100
Указание количества повторов и циклов. Используйте timeit
50
Полное название или литеральный синтаксис
100
Использование магического режима timeit
50
Профилирование кода во время выполнения
50
Шаги по использованию lprun
50
Выявление проблемных мест. Использование lprun
50
Исправление проблемных мест. Использование lprun
50
Профилирование кода для измерения потребления памяти
50
Шаги по использованию mprun
50
Использование mprun
50
Использование %mprun
50
Заключение
100
Эффективное объединение, подсчет и итерирование
50
Сочетание имен и типов
100
Подсчет по образцу
100
Комбинации
100
Теория множеств
50
Сравнение данных
100
Поиск данных
100
Сбор данных
100
Устранение циклов
50
Сбор данных без циклов
100
Итоги и средние значения данных без цикла
100
Пишем циклы лучше
50
Одноразовый цикл расчета
100
Целостный цикл преобразования
100
Заключение
100
Введение в pandas DataFrame
50
Итерация с .iterrows()
100
Запуск дифференциалов с помощью .iterrows()
100
Метод итерирования: .itertuples()
50
Итерация с .itertuples()
100
Запуск дифференциалов с помощью .itertuples()
100
Альтернатива циклам в pandas
50
Анализ статистики с помощью .apply()
100
Решение проблемы с помощью .apply()
100
Оптимальная итерация pandas
50
Замена .iloc базовыми массивами
100
Заключение
100
Итоги изучения курса
50
4 часа
Работа с датой и временем в Python
В рамках курса вы разберетесь как подсчитывать количество различных событий, определять временной интервал между событиями и отображать дату и время.
8Даты в Python
50
Какой день недели?
100
Как много пожаров происходило ранее?
100
Математические операции с датами
50
Операция вычитания при работе с датами
100
Подсчет событий за календарный месяц
100
Упорядочивание списка с датами
100
Преобразование дат в строки
50
Отображение дат в удобном формате
100
Различные способы представления дат
100
Даты и время
50
Создание объектов класса datetime вручную
100
Подсчет событий до и после полудня
100
Отображение и получение объектов класса datetime
50
Преобразование строчных типов данных в объекты класса datetime
100
Получение пар строк в виде объекта datetime
100
Воссоздание формата ISO с применением метода strftime()
100
Временные метки UNIX
100
Оценка продолжительности событий
50
Преобразование данных, содержащих дату и время в длительность событий
100
Среднее время поездки
100
Определение наиболее длительных и коротких поездок
100
Смещение часовых поясов в UTC
50
Создание даты и времени, учитывающих часовой пояс
100
Установка часовых поясов
100
Вычисление времени относительно UTC
100
База данных часовых поясов
50
Переводим данные в нужный часовой пояс
100
Практика смены часовых поясов
100
Переход на летнее время
50
Подсчет времени после перехода на летнее время
100
Переход на летнее время
100
Переход на зимнее время
50
Поиск неточных дат и времени
100
Обработка данных после перехода на летнее время
100
Чтение данных, содержащих даты и время в pandas
50
Загрузка csv файла в pandas
100
Создание столбцов с объектами timedelta
100
Основные операции с datetime в pandas
50
Вычисляем прогулочные поездки
100
Выборка показателей для разного периода
100
Владельцы абонементов vs пользователи разовых поездок
100
Комбинация методов .groupby() и .resample()
100
Дополнительные методы по работе с датами и временем в pandas
50
Часовые пояса в pandas
100
Как долго длится поездка в будний день?
100
Сколько времени между поездками?
100
Завершение
50
4 часа
Регулярные выражения в Python
Вы узнаете, как разбивать и соединять, искать, заменять и сопоставлять строки с помощью регулярных выражений.
9Введение
50
Первый день!
100
Искусственные отзывы
100
Полиндромы
100
Строковые операции
50
Нормализация отзывов
100
Время присоединиться!
100
Разделить линии или разделить линию?
100
Поиск и замена
50
Поиск подстроки
100
Где это слово?
100
Замена отрицаний
100
Позиционное форматирование
50
Приведите его в порядок
100
Зовет по имени
100
Какой сегодня день?
100
f-строки
50
Отформатированная строка
100
Создать эту функцию
100
Вовремя
100
Шаблонный метод
50
Подготовка отчета
100
Определение цен
100
Перестраховаться
100
Введение в регулярные выражения
50
Это боты
100
Найдите цифры
100
Совпадение и разделение
100
Повторы
50
Все чисто
100
Некоторое время назад
100
Получение токенов
100
Специальные символы регулярных выражений
50
Поиск файлов
100
Дайте мне свой адрес электронной почты
100
Неверный пароль
100
Жадное и не жадное сопоставление
50
Понимание разницы
100
Жадное совпадение
100
Ленивый подход
100
Захват групп
50
Попробуйте другое имя
100
Лечу домой
100
Чередование и отсутствие захвата групп
50
Обожаю его!
100
Тьфу! Не для меня!
100
Обратная связь
50
Синтаксический анализ PDF-файлов
100
Закройте тег, пожалуйста!
100
Повторяющиеся символы
100
Посмотри вокруг
50
Окружающие слова
100
Фильтрация телефонных номеров
100
Финишная черта
50
4 часа
Понятие веб-скрапинга в Python
Учимся извлекать нужные нам данные из интернета путём скрапинга и парсинга сайтов..
10Введение в веб-скрапинг
50
Веб-скрапинг не ерунда!
50
HTML
50
Навигация по дереву HTML
50
От дерева к HTML
100
Атрибуты
50
Немного о классах
100
Поиск href
50
Погружение в Xpath
50
Где я?
100
Время тега <p>
100
Классы в теге <span>
100
XPпатология
50
Подсчет элементов в дикой природе
50
Контент тега <body>
100
Выбирай Deep Skills
100
Возвращение к XPath
50
Где они?
100
Проверь свой класс
100
Активная гиперссылка
100
Секретные ссылки
100
Селектор объектов
50
Xpath чейнинг
100
Упражнение из 2-х частей
100
Источник источника
50
Проверка заголовка курса с помощью класса
50
Запрос селектора
100
От Xpath к CSS
50
От Xpath к CSS локаторам
100
Получим ссылку тега <a>
100
CSS символ
100
CSS атрибуты и выделение текста
50
Поработаем с href
100
Текст высшего уровня
100
Все уровни текста
100
Response!
50
Отобразить по Response
100
Ответ с помощью селекторов
100
Выбор из выбора
100
Скрапинг в реальности
50
Обратимся ко всем заголовкам
100
Поскрапим дочерние элементы
100
Твой первый Спайдер
50
Наследование Спайдер
100
Создания списка urls
100
Начнем с Requests
50
Автореферентность в классах
100
Начинаем запросы на старт
100
Парсинг и краулинг
50
Псевдонимы
100
Время краулеров
100
Кульминация
50
Время бежать
100
Описание курса DeepSkills
100
Кульминация краулера
100
Финал
50
4 часа
Функции в Python
Вы узнаете как писать функции, контекстные менеджеры, декораторы.
11Docstring – документирование кода
50
Создание Docstring
100
Извлечение Docstring
100
Docstring готовы помочь
50
«Не повторяйся»
50
Извлечь функцию
100
Разделить функцию
100
Передача через присваивание
50
Изменяемый или неизменяемый
50
Аргументы по умолчанию
100
Используем менеджер контекста
50
Количество кошек
100
Скорость кошек
100
Пишем менеджер контекста
50
Менеджер контекста timer()
100
Менеджер контекста open() только для чтения
100
Дополнительные возможности
50
Варианты использования менеджер контекста
50
Скрапинг NASDAQ
100
Изменение рабочего каталога
100
Функции как объекты
50
Создание приложения для работы с данными из командной строки
100
Анализ кода вашего коллеги
100
Возвращающие функции для математической игры
100
Область видимости
50
Понимание области видимости
50
Изменение переменных вне локальной области видимости
100
Замыкание
50
Проверка на замыкание
100
Замыкание обеспечит сохранность
100
Декораторы
50
Использование синтаксиса декоратора
100
Определение декоратора
100
Примеры использования декораторов
50
Выведите тип возврата
100
Счетчик
100
Декораторы и метаданные
50
Сохранение docstring при оформлении функций
100
Проверка эффективности декоратора
100
Декораторы, принимающие аргументы
50
Run_n_times()
100
Генератор HTML
100
Timeout(): пример из жизни
50
Помечайте свои функции тегами
100
Проверка возвращаемого типа
100
Отличная работа!
50
4 часа
Основные принципы разработки ПО на Python
В этом курсе вы узнаете все о таких важных понятиях, как модульность, документация и автоматизированное тестирование, а также увидите, как они могут помочь вам решать задачи Data Science.
12Python, Data Science и разработка ПО
50
Большие идеи
50
Модульность Python в естественных условиях
100
Введение в пакеты и документацию
50
Установка пакета с помощью pip
50
Использование документации
100
Руководство по написанию PEP 8
50
Использование pycodestyle
100
Соответствие требованиям PEP 8
100
PEP 8 в документации
100
Написание вашего первого пакета
50
Минимальные требования к пакету
50
Названия пакета
100
Распознавание пакета
100
Добавление функциональности в пакет
50
Добавление функциональности в ваш пакет
100
Использование новой функциональности пакета
100
Создание переносимого пакета
50
Написание файла requirements.txt
100
Требования к установке пакета
50
Создание файла setup.py
100
Требования к файлу setup.py
100
Добавление классов
50
Пишем класс для вашей библиотеки
100
Использование класса
100
Добавление функциональности в классы
50
Написание непубличного метода
100
Использование функциональности класса
100
Классы и принцип DRY
50
Использование наследования для создания класса
100
Добавление функциональности в дочерний класс
100
Использование дочернего класса
100
Многоуровневое наследование
50
Изучение dir и help
100
Создание подкласса
100
Использование унаследованных методов
100
Документация
50
Определение полезных комментариев
100
Определение лучших docstrings
100
Пишем docstrings
100
Читабельность имеет значение
50
Пишем название функции
100
Пишем название переменной
100
Рефакторинг для удобства чтения
100
Unit-тестирование
100
Использование doctest
100
Использование pytest
100
Документация и тестирование
50
Документирование классов для Sphinx
100
Определение инструментов
50
Итоги изучения курса
50
4 часа
ООП в Python
Вы научитесь использовать основные принципы объектно-ориентированное программирования для повторного использования и оптимизации вашего кода.
13Знакомство с ООП
50
Термины в ООП
50
Интерфейс объекта
100
Атрибуты и методы класса
50
Структура класса
100
Создайте ваш первый класс
100
Атрибуты в определении класса
100
Анатомия класса: метод __init__()
50
Правильное использование __init__()
50
Конструктор класса
100
Напишите класс с нуля
100
Экземпляры и данные класса
50
Атрибуты уровня класса
100
Изменение атрибутов класса
100
Альтернативные конструкторы
100
Наследование классов
50
Понимание наследования
50
Создание подкласса
100
Настройка функциональности с помощью наследования
50
Наследование методов
100
Наследование атрибутов класса
100
Настройка DataFrame
100
Перегрузка операторов: сравнения
50
Перегрузка равенства
100
Проверка равенства классов
100
Сравнение и наследование
50
Перегрузка операторов: представление строк
50
Форматирование строк
50
Строковое представление объектов
100
Исключения
50
Отслеживание исключений
100
Пользовательские исключения
100
Обработка иерархии исключений
100
Проектирование с использованием наследования и полиморфизма
50
Полиморфные методы
50
Квадрат и прямоугольник
100
Управление доступом к данным: приватные атрибуты
50
Соглашения об именовании атрибутов
100
Использование внутренних атрибутов
100
Свойства
50
Использование свойств
50
Создание и установка свойств
100
Свойства только для чтения
100
Окончание курса
50
4 часа
