Python, LLM i analiza danych w notatnikach Jupyter
Przegląd sekcji
-
-
- Autorzy/Autorki:
- Marcin Godziemba-Maliszewski
- Afiliacja autorów:
- Centrum Wsparcia Dydaktyki, Ośrodek Kształcenia na Odległość, Politechnika Warszawska
- Data publikacji:
- 1 października 2026
- Korzystaj na licencji::
CC BY 4.0 — Uznanie autorstwa
-
Kurs jest w formule otwartego dostępu w związku z czym elementy komunikacji wewnątrz kursu dla osób niezalogowanych nie są dostępne. Jeśli masz pytania lub znalazłeś błąd napisz do nas na pomoc.okno@pw.edu.pl.
-
Ćwiczenia są nieobowiązkowe i służą utrwaleniu materiału. Wykonuj je we własnym tempie, najlepiej po odpowiednim module kursu. Każde ćwiczenie rozwija ten sam projekt.
Pracuj na danych syntetycznych przygotowanych do nauki. Nie traktuj wyników jako informacji o rzeczywistych firmach. Nie zmieniaj plików w data/raw; wszystkie przekształcenia wykonuj kodem i dokumentuj.
Nie otrzymujesz gotowego rozwiązania. O powodzeniu pracy świadczą sprawdzalne rezultaty i umiejętność uzasadnienia własnych decyzji.
-
Jak korzystać ze startowych notebooków?
Skopiuj te plik do folderu
notebooksswojego rozpakowanego projektu. Zachowaj nazwy notebooków. Pracuj równolegle z kartą zadania i materiałami modułu.- Kod oznaczony
TODOnapisz samodzielnie; możesz dodawać komórki. - Zastąp
[uzupełnij]własnymi odpowiedziami. Komórkę Markdown edytujesz dwuklikiem;Shift+Enterwykonuje kod lub wyświetla tekst. - Gotowe komórki tylko konfigurują środowisko i sprawdzają obecność plików. Nie rozwiązują analizy i nie zapisują żadnych rezultatów.
- Uruchomienie pustego szkieletu bez błędu nie oznacza wykonania zadania. Nie ma tu automatycznej oceny ani gotowych wyników.
- Plików
data/rawnie zmieniaj. Nie nadpisuj wcześniej uzupełnionego notebooka pustą kopią.
- Kod oznaczony
-
Karta pracy Plik PDF
-
Podsumowanie kursu porządkuje najważniejsze elementy pracy z Pythonem, notatnikami Jupyter, bibliotekami analizy danych oraz modelami LLM. Przypomina całą drogę od zaplanowania pracy w notebooku, przez przygotowanie danych, analizę eksploracyjną i wizualizację, aż po wykorzystanie LLM oraz opracowanie raportu obliczeniowego. Szczególną uwagę zwraca na odtwarzalność analizy, jawne decyzje, kontrolę jakości danych oraz ostrożne formułowanie wniosków. Prezentacja podsumowująca może posłużyć jako ostatnia checklista przed finalnym oddaniem własnego projektu. Warto sprawdzić, czy raport zawiera wszystkie kluczowe elementy: kod, dane, wyniki, wykresy, interpretację, ograniczenia i dokumentację użycia LLM.
Dziękujemy za udział w kursie „Python, LLM i analiza danych w notatnikach Jupyter” oraz za wykonanie kolejnych etapów projektu analitycznego. Życzymy powodzenia w dalszym rozwijaniu własnych analiz danych i odpowiedzialnym korzystaniu z narzędzi AI.


