Analiza i wizualizacja danych w języku Python
O szkoleniu
Celem szkolenia jest kompleksowe wprowadzenie uczestników w środowisko analityczne języka Python oraz rozwinięcie praktycznych umiejętności niezbędnych do samodzielnej pracy z danymi. Kurs rozpoczyna się od zapoznania z podstawową składnią języka Python, strukturami danych oraz dobrymi praktykami programowania, co stanowi fundament do dalszej nauki.
W kolejnych etapach uczestnicy poznają metody efektywnego przetwarzania i analizy
danych – od ich wczytywania, czyszczenia i transformacji, po eksplorację oraz interpretację wyników. Szczególny nacisk kładziony jest na profesjonalną wizualizację danych, umożliwiającą tworzenie czytelnych, estetycznych i informacyjnych wykresów wspierających proces podejmowania decyzji.
Istotnym elementem szkolenia jest również nauka tworzenia reprodukowalnych dokumentów technicznych z wykorzystaniem składni Markdown, co pozwala na łączenie kodu, wyników analiz oraz komentarzy w spójne raporty. Uczestnicy zdobędą umiejętność publikowania tych raportów w różnych formatach – takich jak PDF, HTML czy dokumenty online – co ułatwia dzielenie się wynikami pracy w środowisku zespołowym i biznesowym.
Efektem szkolenia jest przygotowanie uczestników do samodzielnego prowadzenia analiz danych – od etapu pozyskania danych, przez ich przetwarzanie i wizualizację, aż po tworzenie profesjonalnych raportów i prezentację wyników.
Liczba godzin w kursie: 16h w tym 8h w formie webinarów.
Harmonogram spotkań:
Webinar 1 (2h): 07.09.2026 (poniedziałek) godz.11:00-12:30
Webinar 2 (2h): 14.09.2026 (poniedziałek) godz.11:00-12:30
Webinar 3 (2h): 21.09.2026 (poniedziałek) godz.11:00-12:30
Webinar 4 (2h): 28.09.2026 (poniedziałek) godz.11:00-12:30
Efekty uczenia się
- Znajomość podstaw PythonaUczestnik kursu rozumie podstawowe elementy składni języka Python, potrafi korzystać z funkcji i struktur danych, takich jak lista, słownik, krotka (tuple), zbiór (set), Pandas data frame.
- Zrozumienie metod analizy danychUczestnik rozumie techniki eksploracyjnej analizy danych (EDA), zna podstawowe metody statystyczne i potrafi je zastosować w praktyce.
- Zasady wizualizacji danychUczestnik zna podstawowe zasady tworzenia czytelnych i estetycznych wizualizacji danych w języku Python
- Przygotowanie danych do analizyUczestnik potrafi wczytywać, oczyszczać i przekształcać dane w Pythonie, przygotowując je do dalszej analizy.
- Tworzenie wizualizacjiUczestnik potrafi generować różne rodzaje wykresów (np. słupkowe, liniowe, histogramy, heatmapy) przy użyciu `matplotlib`, `plotly.express’, ‘seaborn’ i innych pakietów.
- Przeprowadzanie analizy statystycznejUczestnik potrafi zastosować metody takie jak opisowa analiza statystyczna, analiza korelacji i regresji.
- Optymalizacja kodu i analiza dużych zbiorów danychUczestnik potrafi efektywnie pracować z dużymi zbiorami danych, optymalizować kod i używać narzędzi do przetwarzania danych.
- Krytyczne podejście do wynikówUczestnik potrafi krytycznie oceniać uzyskane wyniki analizy oraz prawidłowo je interpretować w kontekście danej problematyki.
- Praca zespołowaUczestnik umie współpracować z innymi, udostępniać swoje analizy i efekty pracy, np. w formie raportów lub dynamicznych wykresów, które mogą być łatwo interpretowane przez osoby z zespołu. Potrafi wykorzystywać narzędzia Git oraz repozytoria Github.
- Samodzielność w rozwiązywaniu problemówUczestnik potrafi samodzielnie analizować dane i rozwiązywać złożone problemy analityczne, wykorzystując narzędzia dostępne w Pythonie.
- Biegłość w narzędziach PythonaUczestnik zdobywa zaawansowane umiejętności pracy z różnymi bibliotekami w Pythonie, które wspomagają analizę danych i ich wizualizację.
- Biegłość w narzędziach GITUczestnik potrafi pracować nad analitycznym projektem zespołowym korzystając z narzędzi GIT.
Przykładowe ścieżki kariery
Analityk danych Analityk naukowy Niezależny analityk danych
Korzyści
Zwiększenie konkurencyjności na rynku pracy Umiejętność tworzenia profesjonalnych raportów Lepsze podejmowanie decyzji w oparciu o dane Automatyzacja i oszczędność czasu Budowanie portfolio projektowego
Program
W module uczestnicy poznają podstawy języka Python oraz przygotują środowisko pracy do analizy danych. Omówione zostaną narzędzia takie jak Python, PIP, PyCharm, Visual Studio Code oraz Google Colab. Uczestnicy nauczą się instalować pakiety, zarządzać środowiskiem oraz uruchamiać pierwsze skrypty i notatniki Jupyter Notebook.
Moduł skupia się na przetwarzaniu i manipulacji danymi z wykorzystaniem biblioteki pandas. Uczestnicy nauczą się wczytywać dane z różnych źródeł, filtrować, agregować oraz przekształcać dane w formacie tabelarycznym.
W module uczestnicy poznają podstawy systemu kontroli wersji Git oraz pracy zespołowej z wykorzystaniem GitHub. Nauczą się tworzyć repozytoria, zarządzać wersjami kodu, pracować na branchach oraz współpracować w zespołach projektowych.
Moduł wprowadza do przygotowania danych do analizy i modelowania. Uczestnicy poznają techniki czyszczenia danych, obsługi braków danych, transformacji zmiennych oraz podstawowe metody przygotowania danych wejściowych.
Rozszerzenie zagadnień preprocessingowych o bardziej zaawansowane techniki, takie jak kodowanie zmiennych kategorycznych, skalowanie danych, detekcja wartości odstających oraz przygotowanie danych pod modele uczenia maszynowego.
Moduł poświęcony tworzeniu wizualizacji danych z wykorzystaniem bibliotek takich jak matplotlib i seaborn. Uczestnicy nauczą się tworzyć czytelne wykresy oraz dobierać odpowiednie formy wizualizacji do typu danych i celu analizy.
W module uczestnicy poznają metody eksploracji danych, identyfikacji wzorców oraz zależności między zmiennymi. Nauczą się interpretować wyniki analiz oraz formułować wnioski na podstawie danych.
Kontynuacja EDA z naciskiem na bardziej zaawansowane techniki analityczne, analizę wielowymiarową oraz przygotowanie danych do modelowania. Uczestnicy będą pracować na realnych zbiorach danych i budować pełne workflow analityczne.
Prowadzący
dr Karol Flisikowski
Karol Flisikowski jest profesorem Politechniki Gdańskiej, związanym z Katedrą Statystyki i Ekonometrii na Wydziale Zarządzania i Ekonomii. Prowadzi zajęcia ze statystyki oraz badania naukowe w obszarze statystyki społecznej, a jego prace koncentrują się m.in. na analizach społeczno-ekonomicznych i zastosowaniach metod statystycznych i ekonometrycznych.
Jest absolwentem zarządzania oraz elektroniki i telekomunikacji PG. W swojej wcześniejszej działalności zajmował się m.in. modelami predykcyjnymi (np. upadłości firm) z wykorzystaniem metod uczenia maszynowego oraz przetwarzaniem sygnałów cyfrowych. W 2015 roku obronił doktorat dotyczący mobilności zatrudnienia i płac w krajach OECD, łącząc klasyczne metody statystyki z modelami Markowa.
Obecnie rozwija badania w zakresie statystyki przestrzennej i analizy mobilności ekonomicznej w ujęciu sektorowym i przestrzennym. Pracował również za granicą (Tajwan i Chiny), prowadząc zajęcia i działalność naukową na uczelniach międzynarodowych.
Na Politechnice Gdańskiej pełni także funkcje organizacyjne: opiekuje się kołem naukowym Data Science Club, kieruje studiami podyplomowymi z zakresu sztucznej inteligencji i automatyzacji procesów biznesowych, koordynuje kształcenie zdalne oraz zarządza platformą e-learningową uczelni.
mostwiedzy.pl Zasady i organizacja
Wymagania rekrutacyjne
Błąd Osoby dorosłe w wieku 18-64 lata
Zasady
Ostrzeżenie Kurs realizowany jest na platformie e-learningowej Politechniki Gdańskiej Ostrzeżenie Kurs można realizować w dowolnym czasie poza obowiązkowymi webinarami online Ostrzeżenie Certyfikat ukończenia kursu zostanie przesłany drogą elektroniczną
Formy zaliczenia
- Ostrzeżenie Test onlineTest wiedzy po szkoleniu.
- Ostrzeżenie Projekt końcowyRealizacja projektu na podstawie kursu.
Poziom dostępności
- Ostrzeżenie Częściowo dostępnyKurs w części dostosowany do potrzeb osób ze specjalnymi potrzebami; niektóre elementy mogą wymagać dodatkowego wsparcia.
Opiekun
- mgr Oliwia Bronk
oliwia.bronk@pg.edu.pl
© 2026. Ta praca jest dostępna na licencji CC BY-NC-ND 4.0
Projekt: „Platforma PGEDU+: Rozwój kwalifikacji i kompetencji osób dorosłych” współfinansowany przez Unię Europejską ze środków Europejskiego Funduszu Społecznego Plus w ramach programu Fundusze Europejskie dla Rozwoju Społecznego 2021 - 2027