Materiał merytoryczny
Przegląd sekcji
-
-
-
W module 1 poznasz podstawy powtarzalnego workflow analizy danych w środowisku Jupyter Notebook. Nauczysz się traktować notebook nie jako zbiór przypadkowo uruchamianych komórek, lecz jako uporządkowany dokument łączący cel analizy, kod, wyniki, obserwacje i wnioski. Zorganizujesz strukturę projektu i plików oraz poznasz znaczenie ścieżek względnych, stanu kernela i odtwarzalności obliczeń. Następnie przejdziesz przez pierwszy kompletny mini-workflow — od pytania analitycznego i wczytania danych do prostego wyniku, wykresu i udokumentowanej obserwacji. Po raz pierwszy wykorzystasz również model LLM jako pomoc w planowaniu i wyjaśnianiu kodu, pamiętając, że jego sugestie wymagają sprawdzenia za pomocą danych, kodu lub dokumentacji. Rezultatem modułu będzie uporządkowany szkielet projektu i notebook gotowy do rozwijania w kolejnych częściach kursu.
-
Prezentacja za Tobą — teraz czas uporządkować wiedzę i przełożyć ją na własną pracę w Jupyter Notebook. Poniższy materiał prowadzi krok po kroku przez powtarzalny proces analizy danych i pomaga utrwalić dobre nawyki. Czytaj materiał modułu we własnym tempie i wracaj do wybranych fragmentów podczas ćwiczeń.
-
-
-
W module 2 nauczysz się wczytywać, czyścić i przygotowywać dane do analizy z wykorzystaniem biblioteki Pandas w Jupyter Notebook. Pracując na danych eksploatacyjnych urządzeń, przejdziesz od importu plików CSV i Excel do oceny jakości zbioru i rozpoznawania problemów wymagających interwencji. Poznasz sposoby obsługi braków i duplikatów, ujednolicania typów, dat, kategorii i jednostek oraz łączenia danych z różnych źródeł. Dowiesz się, jak odróżniać błędy od wartości nietypowych i dlaczego nie każdą odstającą obserwację należy usuwać. Wykorzystasz LLM do wspomagania pracy, weryfikując jego propozycje za pomocą kodu, danych i reguł dziedzinowych. Rezultatem będzie przygotowany i zwalidowany zbiór danych wraz z udokumentowanymi decyzjami — gotowy do analizy eksploracyjnej w kolejnym module.
-
Prezentacja za Tobą — teraz czas uporządkować wiedzę i przejść od pytań do odpowiedzi opartych na danych. Poniższy materiał pomoże Ci utrwalić zasady eksploracyjnej analizy danych: od statystyk opisowych, przez porównywanie grup, po ostrożną interpretację zależności. Czytaj we własnym tempie i wracaj do przykładów podczas pracy w notebooku, sprawdzając nie tylko wyniki obliczeń, lecz także to, jakie obserwacje rzeczywiście z nich wynikają.
-
-
-
W module 3 poznasz zasady eksploracyjnej analizy danych z użyciem biblioteki Pandas, pracując na przygotowanym wcześniej zbiorze pomiarów eksploatacyjnych urządzeń. Nauczysz się formułować pytania analityczne, obliczać statystyki opisowe oraz filtrować, sortować i porównywać dane. Wykorzystasz grupowanie, agregacje, tabele przestawne i krzyżowe do tworzenia zestawień odpowiadających na konkretne pytania. Zbadasz zależności między zmiennymi i dowiesz się, jak interpretować korelację bez przypisywania jej znaczenia przyczynowego. Wykorzystasz model LLM do proponowania pytań i hipotez, a jego sugestie zweryfikujesz na podstawie danych i wyników kodu. Efektem pracy będzie uporządkowana sekcja analizy w notatniku Jupyter, zawierająca obliczenia, obserwacje i ograniczenia interpretacji, która posłuży jako podstawa wizualizacji w kolejnym module.
-
Prezentacja za Tobą — teraz czas uporządkować wiedzę o przygotowaniu danych do analizy. Poniższy materiał pomoże Ci utrwalić zasady bezpiecznego wczytywania plików, oceny jakości i świadomego czyszczenia danych. Czytaj we własnym tempie i wracaj do przykładów podczas pracy w notebooku, zwracając uwagę nie tylko na sposób wykonania zmian, lecz także na ich uzasadnienie i kontrolę wyników.
-
-
-
W module czwartym „Wizualizacja danych i narracja analityczna” nauczysz się przekształcać wyniki analizy w czytelne wykresy i rzetelne opisy. Na przykładzie danych eksploatacyjnych urządzeń poznasz zasady dobierania wizualizacji do pytania analitycznego, rodzaju danych i poziomu agregacji. Wykorzystasz bibliotekę Matplotlib do tworzenia wykresów liniowych, słupkowych i punktowych, histogramów, wykresów pudełkowych oraz map ciepła. Dowiesz się, jak dobierać skale i kolory, opisywać osie i jednostki oraz rozpoznawać wizualizacje, które mogą wprowadzać odbiorcę w błąd. Przećwiczysz oddzielanie obserwacji od interpretacji oraz sprawdzanie opisów proponowanych przez LLM na podstawie danych, kodu i wykresów. Efektem pracy będzie zestaw od czterech do sześciu finalnych wykresów wraz z podpisami i ograniczeniami interpretacji, gotowych do wykorzystania w raporcie obliczeniowym.
-
Prezentacje za Tobą — teraz czas uporządkować zasady świadomej pracy z LLM i zastosować je we własnej analizie danych. Poniższy materiał pomoże Ci precyzyjnie formułować prompty, sprawdzać odpowiedzi modelu i dokumentować podejmowane decyzje. Czytaj we własnym tempie i wracaj do przykładów podczas ćwiczeń. Pamiętaj: model proponuje, a Ty weryfikujesz i decydujesz.
-
-
-
W module 5 nauczysz się świadomie wykorzystywać modele językowe LLM jako wsparcie pracy analityka danych w Jupyter Notebook. Poznasz zasady wyboru odpowiednich zadań dla modelu, ochrony danych oraz formułowania promptów z jasno określonym celem i kryteriami poprawności. Przećwiczysz korzystanie z LLM przy wyjaśnianiu, generowaniu, poprawianiu i porządkowaniu kodu Pythona. Na przykładach danych eksploatacyjnych ocenisz również sugestie dotyczące analizy, wykresów i opisów wyników. Zastosujesz protokół „twierdzenie → dowód → werdykt”, sprawdzając odpowiedzi za pomocą kodu, danych i dokumentacji. Rezultatem modułu będzie rejestr użycia LLM zawierający sugestie przyjęte, poprawione i odrzucone, który wykorzystasz podczas przygotowywania raportu końcowego.
-
Prezentacja za Tobą — teraz czas uporządkować wiedzę i przejść od pytań do odpowiedzi opartych na danych. Poniższy materiał pomoże Ci utrwalić zasady eksploracyjnej analizy danych: od statystyk opisowych, przez porównywanie grup, po ostrożną interpretację zależności. Czytaj we własnym tempie i wracaj do przykładów podczas pracy w notebooku, sprawdzając nie tylko wyniki obliczeń, lecz także to, jakie obserwacje rzeczywiście z nich wynikają.
-
-
-
W module 6 „Raport obliczeniowy i prezentacja wyników” połączysz rezultaty wcześniejszych etapów analizy w spójny raport w Jupyter Notebook. Nauczysz się porządkować notebook oraz opisywać dane, metody, tabele i wykresy w sposób dopasowany do potrzeb odbiorcy. Przećwiczysz formułowanie wniosków opartych na wynikach, oddzielanie obserwacji od interpretacji oraz wskazywanie ograniczeń analizy. Uzupełnisz raport o dokumentację wykorzystania LLM i sposobu weryfikacji jego sugestii. Sprawdzisz odtwarzalność projektu, przygotujesz instrukcję uruchomienia oraz krótką prezentację najważniejszych ustaleń. Rezultatem modułu będzie kompletny projekt analityczny, który inna osoba może zrozumieć, uruchomić i ocenić.
-
Prezentacje za Tobą — teraz czas połączyć wyniki analizy w spójny, czytelny i wiarygodny raport. Poniższy materiał pomoże Ci uporządkować notebook, powiązać wnioski z dowodami i przygotować projekt do przekazania odbiorcy. Czytaj we własnym tempie i wracaj do wybranych fragmentów podczas finalizowania raportu oraz prezentacji wyników.
-