Python programozó képzés és Data Science tanfolyam

Python programozó képzés, SQL, ORM és Data Science – részletes tematika

Ez az átfogó Python programozó képzés az alapoktól vezeti végig a hallgatókat a Python programozáson, az adatbázis-kezelésen és az SQL-en keresztül egészen a Data Science és az adatelemzés gyakorlati alapjaiig.

A képzés első szakaszában a Python programozás stabil alapjait sajátítod el. Megtanulod a Python nyelv használatát, a programozási gondolkodást, az adatszerkezeteket, függvényeket, modulokat, fájlkezelést, hibakeresést és az objektumorientált programozást.

Erre építve megismerkedsz az SQL-lel és a Pythonból történő adatbázis-kezeléssel, majd az ORM használatával. A Data Science szakaszban a NumPy, Pandas, API-k, adatvizualizáció és Exploratory Data Analysis segítségével tanulod meg az adatok feldolgozásának és elemzésének legfontosabb módszereit.

A képzés végére a különálló ismeretek egy egységes tudássá állnak össze: Python programozás → SQL és adatbázis-kezelés → adatok feldolgozása → adatelemzés → Data Science projekt.

I. Python programozás

1. modul – Python alapok és fejlesztői környezet

Python és programozási alapok

• A Python kialakulása és rövid története

• A Python legfontosabb tulajdonságai

• Python verziók és a Python 2 → Python 3 átállás

• A Python működésének alapjai

• Interpreter és a Python kód futtatása

• Strukturált és objektumorientált programozási szemlélet

• A Python legfontosabb felhasználási területei

• Python webfejlesztésben, automatizálásban, adatelemzésben és mesterséges intelligenciában

• A Python erősségei és korlátai

Python fejlesztői környezet kialakítása

• Python telepítése

• A Python telepítésének ellenőrzése

• IDE-k és fejlesztői környezetek

• VS Code használata

• Jupyter Notebook alapjai

• Terminál és parancssor alapjai

• Python és pip használata

• Interaktív Python és .py fájlok

• Az első Python program elkészítése

• Kommentek és megjegyzések

• Indentálás

• Elnevezési szabályok és konvenciók

• PEP 8 alapjai

• Egyszerű hibák felismerése és értelmezése

Gyakorlás: egyszerű Python programok készítése a fejlesztői környezet megismeréséhez.

2. modul – Python változók, adattípusok és kifejezések

Változók és értékek

• Változók létrehozása

• Értékadás és inicializálás

• Változók új értékkel való ellátása

• Dinamikus típusosság

• Literálok és kifejezések

Alapvető Python adattípusok

• int

• float

• complex

• bool

• str

• None

• Adattípusok ellenőrzése

• type()

• isinstance()

• Típuskonverziók

Operátorok és számítások Pythonban

• Aritmetikai operátorok

• Műveletek sorrendje

• Maradékos osztás

• Egész osztás

• Hatványozás

• Összehasonlító operátorok

• Értékadás és összehasonlítás

• Rövidített értékadás

• Logikai operátorok

• Több feltétel összekapcsolása

• Logikai tagadás

• Truthy / falsy értékek

• in és is használata

• Bitenkénti műveletek alapjai

Bemenet és kimenet

• input()

• Felhasználói adatok bekérése

• Adatok feldolgozása

• Konzolos kimenet

• Egyszerű konzolos programok készítése

• Tipikus kezdőhibák

3. modul – Python stringek és szövegfeldolgozás

• Stringek létrehozása

• Stringek tulajdonságai

• Karakterek elérése

• Indexelés

• Negatív indexek

• Slicing

• Striding

• Stringek összefűzése

• Szövegek összehasonlítása

• split()

• join()

• strip()

• replace()

• find()

• startswith()

• endswith()

• Kis- és nagybetűk kezelése

• String formatting

• f-string használata

• Formázott szövegek készítése

• Szöveges adatok tisztítása

• Gyakorlati szövegfeldolgozás

Kitekintés: a szöveges adatok tisztításának szerepe az adatelemzésben.

4. modul – Python beépített adatszerkezetei

Listák

• Lista létrehozása

• Elemek elérése

• Indexelés és slicing

• Listák módosítása

• append()

• extend()

• insert()

• remove()

• pop()

• sort()

• reverse()

• len()

• Listák bejárása

• Listák másolása

• Beágyazott listák

Tuple

• Tuple fogalma

• Tuple létrehozása

• Tuple és lista különbsége

• Tuple elemeinek elérése

• Több változó kezelése tuple segítségével

• Unpacking

• Multiple assignment

Dictionary

• Dictionary fogalma

• Kulcs–érték modell

• Dictionary létrehozása

• Adatok keresése és módosítása

• keys()

• values()

• items()

• Dictionary bejárása

• Beágyazott dictionaryk

Set

• Set fogalma

• Egyedi elemek kezelése

• Set műveletek

• Setek közötti műveletek

Összetett adatszerkezetek

• Mutable és immutable objektumok

• Beépített adatszerkezetek kombinálása

• Listák listája

• Dictionaryk listája

• list[dict] típusú adatok kezelése

5. modul – Feltételek, ciklusok és algoritmikus gondolkodás

Feltételes szerkezetek

• if

• elif

• else

• Egymásba ágyazott feltételek

• Összetett logikai feltételek

• Feltételes kifejezések

• Short-circuit evaluation

Ciklusok

• for

• while

• range()

• Ciklusok használata adatszerkezeteken

• Beágyazott ciklusok

• break

• continue

• pass

• Végtelen ciklusok és elkerülésük

• enumerate()

• zip()

Gyakorlati algoritmikus feladatok

• Adathalmazok bejárása

• Szűrés

• Összesítés

• Egyszerű algoritmusok készítése

6. modul – Comprehension és Pythonos gondolkodás

• List comprehension

• Dictionary comprehension

• Set comprehension

• Feltételes comprehension

• Beágyazott comprehension

• range()

• Iterable fogalma

• Iterator fogalma

• iter()

• next()

• Generator expression alapjai

• Hagyományos ciklus és comprehension összehasonlítása

• Olvashatóság és teljesítmény

• Mikor használjunk comprehensiont és mikor hagyományos ciklust?

Cél: a hallgató ne csak a Python programozási szintaxisát tanulja meg, hanem fokozatosan elsajátítsa a Pythonos gondolkodásmódot is.

7. modul – Python függvények

• Függvények szerepe

• def

• Saját függvények létrehozása

• Függvények meghívása

• Paraméterek és argumentumok

• Pozicionális argumentumok

• Keyword argumentumok

• Default argumentumok

• Több paraméter kezelése

• return

• Több érték visszaadása

• Lokális és globális változók

• Scope és névterek

• Függvények újrafelhasználása

• Függvények egymásra építése

• Docstring

• Type hint alapok

• *args

• **kwargs

• Mutable és immutable adatok átadása

• Függvények strukturált használata nagyobb programokban

• Rekurzió alapjai

8. modul – Haladóbb Python programozási eszközök

• Lambda kifejezések

• map()

• filter()

• sorted() és key=

• min()

• max()

• sum()

• any()

• all()

• Generátorok

• Generator expression

• Iterátorok

• Magasabb rendű függvények

• Függvények átadása másik függvénynek

• Dekorátorok koncepciója

• Context managerek koncepciója

Cél: annak megértése, hogy ezek az eszközök mire valók, mikor érdemes használni őket, és hogyan illeszthetők be egy jól strukturált Python programba.

9. modul – Python modulok, csomagok és projektstruktúra

• Modul fogalma

• Saját modul létrehozása

• import

• from ... import

• Namespace

• Lokális és globális névterek

• __name__

• if __name__ == "__main__"

• Python standard könyvtár

• Standard modulok használata

• Package fogalma

• Csomagok felépítése

• Külső könyvtárak használata

• Függőségek kezelése

• Projekt könyvtárszerkezete

• Projektstruktúra kialakítása

• Dokumentáció olvasásának alapjai

Mini projekt: több modulból álló Python program készítése.

10. modul – Virtuális környezetek és Python fájlkezelés

Virtuális környezetek

• Virtuális környezet fogalma

• Miért fontos a projektek elkülönítése?

• Virtuális környezet létrehozása

• Aktiválás és deaktiválás

• Külső csomagok telepítése

• Projektfüggőségek kezelése

• requirements.txt

Fájlkezelés Pythonban

• Fájlok és könyvtárak

• Relatív és abszolút útvonalak

• open()

• Fájlok olvasása

• Fájlok írása

• Hozzáfűzés

• with

• Fájlmegnyitási módok

• Szöveges és bináris fájlok

• pathlib

• Fájlok módosítása

• Fájlok átnevezése és törlése

• Könyvtárak kezelése

• UTF-8 és karakterkódolás

Strukturált adatok

• CSV

• JSON

• XML áttekintése

• Strukturált adatok feldolgozása Pythonból

11. modul – Python hibakezelés, debugolás és logging

• Syntax error és runtime error

• Exception fogalma

• try

• except

• else

• finally

• Gyakori beépített kivételek

• Többféle kivétel kezelése

• raise

• Saját exception létrehozása

• Hibás bemenetek kezelése

• Traceback értelmezése

• Debugger használata

• Breakpointok

• Változók vizsgálata

• Logging alapjai

• Hibakeresési stratégiák

Gyakorlati cél: a hallgató megtanulja értelmezni a hibaüzeneteket és önállóan megtalálni a programhibák okát.

12. modul – Objektumorientált programozás Pythonban

OOP alapok

• Objektumorientált gondolkodás

• Osztály fogalma

• class

• Objektum és instance

• Példányosítás

• self

• Konstruktor

• Attribútumok

• Példányattribútumok

• Osztályattribútumok

• Metódusok

• Objektumok állapota és viselkedése

• Property

• Encapsulation

OOP haladóbb elemei

• Öröklődés

• Composition

• Polymorphism

• Abstraction

• Duck typing

• Metódusok felülírása

• Dunder metódusok

• __str__

• __repr__

• __len__

• __eq__

• Dataclass

• Objektumok közötti kapcsolatok

• Mikor érdemes és mikor nem érdemes öröklést használni?

Vizsga: teszt és beadandó munka.

Cél: a hallgató képes legyen meglévő Python könyvtárak objektumait megérteni és használni, valamint egyszerű saját adatobjektumokat létrehozni.

II. Python adatbázis-kezelés, SQL és ORM

13. modul – SQL és relációs adatbázisok Python fejlesztőknek

Adatbázis-alapok

• Mi az adatbázis?

• Relációs adatmodell

• Táblák

• Rekordok

• Mezők

• Primary key

• Foreign key

• Táblák közötti kapcsolatok

SQL lekérdezések

• SELECT

• WHERE

• ORDER BY

• GROUP BY

• HAVING

• JOIN

• INSERT

• UPDATE

• DELETE

• SQL és Pandas gondolkodás összehasonlítása

Adatbázisok kezelése Pythonból

• SQLite

• PostgreSQL áttekintése

• Python és PostgreSQL kapcsolata

• Adatbázis-kapcsolat létrehozása

• Lekérdezések futtatása Pythonból

• Adatok betöltése DataFrame-be

• DataFrame visszaírása adatbázisba

• Tranzakciók

• Paraméterezett lekérdezések

• SQL injection veszélyei

• DBeaver használata

• Egyszerű ETL folyamatok

Mini projekt: adatbázis → SQL → Pandas → adatelemzés.

14. modul – ORM és reguláris kifejezések Pythonban

ORM – objektum-relációs leképezés

• Az ORM fogalma

• Objektumok és adatbázistáblák kapcsolata

• ORM előnyei és hátrányai

• ORM és SQL összehasonlítása

• Modellek és kapcsolatok

• Adatok létrehozása ORM segítségével

• Adatok lekérdezése ORM-mel

• Adatok módosítása és törlése

• Mikor használjunk ORM-et és mikor közvetlen SQL-t?

Reguláris kifejezések

• A reguláris kifejezések célja

• Patternök felépítése

• Karakterek és karaktercsoportok

• Ismétlődések

• Pozíciók és határok

• Csoportok

• Alternatívák

• Szövegek keresése minták alapján

• Egyezések ellenőrzése

• Szövegrészek cseréje

• Találatok összegyűjtése

• Gyakorlati validációs feladatok

III. Python Data Science és adatelemzés

15. modul – NumPy és numerikus adatok feldolgozása

• A NumPy szerepe a Data Science területén

• Miért nem elegendő minden esetben a Python lista?

• ndarray

• Array létrehozása

• Dimenziók

• shape

• dtype

• Indexelés

• Slicing

• Boolean indexing

• Broadcasting

• Vektorizáció

• Aggregációk

• mean()

• sum()

• min()

• max()

• std()

• Véletlen adatok generálása

Cél: a numerikus adatok hatékony, vektoros feldolgozásának megértése.

16. modul – Pandas és DataFrame alapú adatelemzés

Pandas alapok

• A Pandas szerepe az adatelemzésben

• Series

• DataFrame

• Index

• Oszlopok

• head()

• tail()

• info()

• describe()

Adatbetöltés

• CSV

• Excel

• JSON

• Adattípusok

• Oszlopok kiválasztása

• Sorok kiválasztása

• loc

• iloc

Adatválogatás és adattisztítás

• Filtering

• Boolean indexing

• Hiányzó értékek

• isna()

• dropna()

• fillna()

• Duplikációk

• drop_duplicates()

• Adattípusok módosítása

• Dátumok kezelése

• String oszlopok kezelése

• Outlierek alapjai

• Adattisztítási stratégia

17. modul – Pandas: transzformáció, aggregáció és adatok összekapcsolása

Adattranszformáció

• Új oszlopok létrehozása

• assign()

• map()

• apply()

• Vektorizált műveletek

• sort_values()

• value_counts()

Aggregáció és csoportosítás

• groupby()

• Aggregációk

• agg()

• Pivot table

• Csoportosított elemzés

DataFrame-ek összekapcsolása

• concat()

• merge()

• join

• Inner join

• Left join

• Right join

• Outer join

• Kulcsok

• Több táblából származó adatok kezelése

• melt()

• pivot()

• Long és wide formátum

Projektfeladat: valós adathalmazból üzleti kérdések megválaszolása.

18. modul – API-k és külső adatok feldolgozása

• Mi az API?

• REST alapok

• HTTP alapok

• Request és response

• HTTP státuszkódok

• requests

• GET és POST

• Query paraméterek

• JSON response

• Pagination

• API-kulcsok és autentikáció

• Rate limiting

• API-k hibakezelése

Projekt: külső API-ból adatok letöltése, feldolgozása és DataFrame létrehozása.

19. modul – Adatvizualizáció Pythonban

• Miért szükséges az adatvizualizáció?

• Milyen grafikont mikor használjunk?

• Matplotlib

• Seaborn

• Vonaldiagram

• Oszlopdiagram

• Hisztogram

• Scatter plot

• Box plot

• Több változó vizualizálása

• Címek és tengelyek

• Legendák

• Jó és rossz vizualizációk

• Vizualizációs best practice-ek

Cél: ne pusztán grafikont tudjon készíteni a hallgató, hanem képes legyen az adatokból származó eredményeket érthetően kommunikálni.

20. modul – Exploratory Data Analysis (EDA)

• Az EDA fogalma

• Üzleti kérdésből elemzési kérdés

• Adathalmaz megismerése

• Adatminőség vizsgálata

• Hiányzó értékek

• Outlierek

• Eloszlások

• Korreláció

• Változók közötti kapcsolatok

• Csoportok összehasonlítása

• Aggregáció

• Vizualizáció

• Következtetések levonása

Gyakorlati projekt: teljes EDA folyamat végrehajtása valódi adatkészleten.

IV. Projektmunka és szakmai eszközök

21. modul – Git és GitHub

Git alapok

• Miért van szükség verziókezelésre?

• Git működésének alapjai

• Repository létrehozása

• Változások követése

• Commitok

• Commit történet

• .gitignore

• Branch fogalma

• Branch létrehozása

• Branch-ek összeolvasztása

• Hibás változtatások visszavonása

GitHub

• Távoli repository

• GitHub használata

• Projekt feltöltése

• Repository klónozása

• Változások letöltése és feltöltése

• Merge konfliktusok

• Python projektek verziókezelése

• README és dokumentáció

• Csapatmunka alapjai Git segítségével

• AI használata a szoftverfejlesztésben

22. modul – Komplex Python és Data Science projekt

A képzés során a hallgatók egy teljes, end-to-end Python és Data Science projektet készítenek.

A projekt lehetséges folyamata

Adatforrás → adatbetöltés → adattisztítás → transzformáció → SQL/Pandas feldolgozás → elemzés → vizualizáció → következtetések → dokumentáció → prezentáció

A projekt tartalmazhat:

• Több adatforrás használatát

• CSV-adatokat

• API-adatokat

• Adatbázist

• Pandas használatát

• SQL-lekérdezéseket

• Adatvizualizációt

• Hibakezelést

• Függvényeket

• Saját modulokat

• OOP-elemeket

• Dokumentációt

• Git verziókezelést

Az oktató ebben a szakaszban elsősorban mentorként segíti a hallgatókat.

23. modul – Záróprojekt és projektbemutató

Önálló projekt

• Python projekt megtervezése

• Projektstruktúra kialakítása

• Függvények és modulok használata

• Objektumorientált megoldások alkalmazása

• Fájlkezelés

• Hibakezelés

• Adatbázis használata

• Külső csomagok

• Virtuális környezet

• Git verziókezelés

Projekt dokumentálása

• README készítése

• Projekt dokumentációja

• Kód olvashatósága

• PEP 8

• Újrahasznosítható kód

• Projektstruktúra

Projektbemutató

• Elkészült projekt bemutatása

• Kód review

• Gyakori hibák áttekintése

• A képzés során megszerzett Python-ismeretek összefoglalása

• Szakmai továbblépési lehetőségek

Gyakorlatorientált Python és Data Science képzés

A Python programozó képzés során a gyakorlati feladatok kiemelt szerepet kapnak. Az órákon az elméleti anyag mellett oktatói live coding, vezetett gyakorlás és önálló feladatmegoldás történik.

A hallgatók rendszeresen kapnak házi feladatokat, amelyek három nehézségi szintre épülhetnek:

A – Kötelező alapfeladatok: rövidebb, az adott témakör megértését ellenőrző feladatok.

B – Gyakorló feladatok: összetettebb problémák, amelyek több tanult elem együttes használatát igénylik.

C – Challenge feladat: magasabb nehézségű, önálló gondolkodást igénylő feladat.

Egységes, gyakorlatias adatkészlet használata

A képzés során célszerű egy közös, folyamatosan bővülő adatkészleten is dolgozni. Például egy webshop vagy értékesítési rendszer adataival a hallgatók a képzés elején még egyszerű Python-listákkal dolgozhatnak, később ugyanezeket az adatokat Pandas segítségével elemezhetik, SQL-lekérdezésekkel dolgozhatják fel, végül pedig egy teljes adatelemzési projektet készíthetnek belőlük.

Így a tananyag nem egymástól elszigetelt Python-, SQL- és Data Science-témákból áll, hanem egy egységes képzési folyamatot alkot:

Python programozás → haladóbb Python → SQL és adatbázis-kezelés → ORM → NumPy → Pandas → API-k → adatvizualizáció → EDA → Git/GitHub → komplex Data Science projekt.

A képzés célja, hogy a hallgató ne csupán különálló technológiákat ismerjen meg, hanem képes legyen azokat egy összefüggő, gyakorlati projektben is alkalmazni.

A képzés után

A megszerzett Python, SQL, adatbázis-kezelési és Data Science alapokra több irányban is tovább lehet építkezni:

• Haladó Python

• Haladó Pandas

• Statisztikai adatelemzés

• Machine Learning

• Mesterséges intelligencia

• Automatizáció

• FastAPI

• Streamlit

• Cloud technológiák

• Haladó adatbázis-kezelés

• Data Engineering

A képzés így stabil alapot adhat azok számára, akik a Python programozás, az adatelemzés vagy a Data Science területén szeretnék továbbfejleszteni tudásukat.

Karrierlehetőségek – a meglévő szakmai tudásod mellé új kompetenciákat szerezhetsz

A Python programozás, az SQL, az adatbázis-kezelés és a Data Science ismeretei nem kizárólag azok számára hasznosak, akik informatikai pályára szeretnének váltani. Különösen nagy értéket jelenthetnek akkor, ha már rendelkezel egy másik szakterületen megszerzett diplomával vagy szakmai tapasztalattal.

A modern tudományos és gazdasági környezetben egyre fontosabbá válik az adatok hatékony feldolgozása, elemzése és értelmezése. Ha a szakterületedhez kapcsolódó tudást Python programozási és adatelemzési ismeretekkel egészíted ki, olyan feladatokat is önállóbban végezhetsz el, amelyekhez korábban külön informatikai vagy adatelemző segítségre volt szükség.

Ha már van egy szakmád, a Python új lehetőségeket nyithat meg

Egy közgazdász számára például hasznos lehet az adatok automatizált feldolgozása, az üzleti adatelemzés, a pénzügyi modellek támogatása vagy nagyobb adathalmazok vizsgálata.

Egy fizikus vagy matematikus a programozási és Data Science ismeretekkel hatékonyabban dolgozhat numerikus adatokkal, szimulációkkal, kutatási adatokkal és összetett elemzési feladatokkal.

Egy biológus vagy más természettudományos szakember számára a Python és az adatelemzés segítséget jelenthet nagy mennyiségű mérési, kutatási vagy kísérleti adat feldolgozásában és értelmezésében.

Hasonlóan hasznos lehet a megszerzett tudás olyan területeken is, mint a pénzügy, marketing, egészségügy, mérnöki munka, kutatás vagy üzleti elemzés.

Nem feltétlenül új szakmát kell választanod

A képzés egyik legfontosabb előnye, hogy nem szükséges feladnod a már megszerzett szakmai tudásodat. A Python, az SQL és a Data Science ismereteit erre a tudásra építheted rá.

Ezáltal olyan úgynevezett hibrid szakmai profilt alakíthatsz ki, amelyben a szakterületi tapasztalatod és a modern informatikai, programozási és adatelemzési tudásod egyszerre jelenik meg.

Egy ilyen kombináció segítségével könnyebben vállalhatsz összetettebb, nagyobb önállóságot igénylő feladatokat, és hosszabb távon magasabb szintű vagy nagyobb felelősséggel járó pozíciók felé is továbbléphetsz.

A képzés ezért nemcsak pályakezdőknek vagy pályaváltóknak lehet érdekes. Akkor is jó befektetés lehet a szakmai fejlődésbe, ha már rendelkezel diplomával, többéves munkatapasztalattal és kialakult szakmai háttérrel, de szeretnéd a tudásodat olyan informatikai és adatelemzési kompetenciákkal kiegészíteni, amelyek egyre fontosabbak a munkaerőpiacon.

A cél nem feltétlenül az, hogy programozóvá válj. Lehet, hogy éppen az a legnagyobb előnyöd, hogy már értesz egy szakmához – mi pedig ehhez adunk egy olyan informatikai és adatelemzési eszköztárat, amellyel tovább tudod építeni a karriered.