1.2. About Agenda

• Training course: 9:00 - 17:00

• Lunch break: 13:15 - 14:00

• 10 min break every one/one-and-half hour

1.2.1. Polish

1. Biblioteki używane w analizie numerycznej i Data Science:

   • SciPy: wprowadzenie do ekosystemu narzędzi

   • Jupyter: instalacja, uruchamianie, korzystanie, LaTeX, zaawansowane opcje

   • Markdown: krótkie wprowadzenie do składni i możliwości

2. Zagadnienia wydajnościowe:

   • Micro-benchmarking

   • Złożoność obliczeniowa i pamięciowa

   • Pamięć: Architektura RAM, kopiowanie i referencje

   • Techniki pracy z danymi większymi niż ilość RAMu

   • Generatory i Iteratory

   • Triki zwiększające wydajność

   • Skalowalność: X-Array, Dask, Polars

3: NumPy i analiza numeryczna:

• Typy wbudowane i stałe: array, poly1d, nan, inf

• Import i export danych, serializacja, łączenie, obsługiwane formaty, pliki binarne i tekstowe

• Definiowanie tablic: tworzenie, generowanie, opis typu

• Pseudolosowość: Problematyka, ziarno, sampling, tasowanie

• Atrybuty tablic: typy danych, kształt, wielkość, rozmiar danych, osie

• Wybieranie i iteracja: indeksacja, wycinanie, fancy indexing

• Operacje na danych: operacje zwektoryzowane, funkcje uniwersalne, zmiana wymiarów, spłaszczanie

• Manipulacja danymi: zaokrąglanie, przycinanie, wstawianie, wypełnianie, transpozycja, sortowanie

• Arytmetyka: operacje arytmetyczne i macierzowe, wyznaczniki

• Statystyka: ekstrema, wariancja, odchylenie standardowe, średnie, mody, kowariancje, korelacje

• Logika: operatory, wybieranie, maski, where

• Trygonometria: funkcje, konwersje, stałe

• Wielomiany: współczynniki, miejsca zerowe, pierwiastki, dopasowanie wielomianów, arytmetyka, pochodne, całki