Курсы Python разработчик

За 11 занять на курсі ви опануєте основи вебскрапінгу, розглянете етичні питання та перейдете до практичних завдань: моніторингу аудиторії, пошуку лідів, обходу блокерів. В результаті навчитеся створювати власні скрапери, імітувати поведінку користувачів та вилучати інформацію з різноманітних сторінок, користуючись фреймворками Beautiful Soup, Scrapy, Selenium.

Програма курсу

Вступ до курсу Web Scraping

• З'ясуєте, що таке Web Scraping та які є бібліотеки для розробки скраперів
• Дізнаєтеся, де можна використовувати набуті за курс знання
• Зрозумієте етичні та легальні аспекти використання скраперів

Початок роботи в парсингу даних

• Опрацюєте основні мови розмітки вебсайтів - HTML, XML, JSON
• Створите віртуальне оточення та встановите потрібні бібліотеки для парсингу даних

Методи вилучення даних

• Зрозумієте, яким чином будувати XPath для доступу до будь-якого тегу в документі
• Опануєте регулярні вирази та CSS-селектори для пошуку та вилучення інформації з вебсторінок

HTTP Request

• Дізнаєтеся про типи запитів та відповідей
• Опрацюєте інструмент Postman
• Навчитеся використовувати бібліотеку Requests для відправлення запитів на сервер

Робота з даними у Web Scraping

• Навчитеся зберігати дані локально та в бази даних
• Зможете обирати оптимальний формат збереження даних для подальшого аналізу
• Навчитеся писати SQL-запити для аналізу

Beautiful Soup

• Навчитеся використовувати бібліотеку Beautiful Soup для парсингу сайтів
• Опрацюєте Threads для парсингу
• Знайдете потрібні HTML-теги за допомогою BS

Scrapy

• Опануєте фреймворк Scrapy для парсингу сайтів
• Ознайомитеся з поняттям Spider
• Навчитеся використовувати Spider для парсингу сайту
• Зможете зберігати отримані дані в різних форматах

Selenium

• Розберете бібліотеку Selenium для парсингу сайтів
• Навчитеся працювати із CSS-селекторами або XPath для знаходження потрібних елементів
• Опануєте Selenium для заповнення форм та кліків на сторінці

Як уникнути захисту від Web Scrapers

Попрактикуєте підходи до імітації реального користувача для успішного отримання контенту сторінки.

Q&A-сесія з лектором

• Відповіді на питання студентів
• Поради щодо виконання курсового проєкту

Презентація курсових проєктів

Презентація курсових проєктів.

Викладачі курсу

Владислав Абрамов - Python Engineer at Jooble

Перейдіть на новий рівень аналізу даних - перетворіть формули, довгі таблиці, звіти вручну на гнучкі візуалізації, точні прогнози та зрозумілі презентації завдяки Python.

Програма курсу

Знайомство з Python і середовищем роботи

• Дізнаєтеся, що таке Python і як його застосовують в аналітиці
• Навчитеся встановлювати Python і налаштовувати середовище для роботи
• Зрозумієте базовий синтаксис, типи даних та оператори
• Розберете принципи гарного стилю коду

Основи програмування на Python

• Розберете основні типи алгоритмів: послідовність, розгалуження, цикли
• Навчитеся застосовувати умовні оператори if, elif, else
• Попрактикуєтесь у створенні циклів for і while для виконання повторюваних дій

Базові можливості Python

• Навчитеся створювати власні функції, передавати їм аргументи та викликати їх у коді
• Зрозумієте, як працюють базові структури даних: list, tuple, dict, set
• Дізнаєтесь, як встановити бібліотеки через pip або conda
• Попрацюєте з модулями collections та itertools для роботи з наборами даних

Основи об'єктно-орієнтованого програмування на Python

• Дізнаєтеся, що таке класи, об'єкти й методи та зрозумієте принципи об'єктно-орієнтованого програмування (ООП)
• Навчитеся використовувати конструктори, атрибути й інкапсуляцію
• Розберете механіку наслідування і роботу з абстрактними класами

NumPy для роботи з числовими даними

• Розберете значення бібліотеки NumPy у числовому аналізі
• Навчитеся створювати одномірні й багатовимірні масиви
• Набудете досвіду арифметичних операцій і фільтрації масивів
• Опануєте логічну фільтрацію та broadcasting для оптимізації обчислень

Основи Pandas для обробки даних

• Розглянете бібліотеку Pandas і зрозумієте, для чого вона потрібна в аналітиці
• Навчитеся створювати Series і DataFrame, імпортувати CSV/Excel
• Опануєте базову обробку даних: фільтрацію, сортування, агрегацію та об'єднання таблиць
• Зрозумієте, як трансформувати дані з допомогою groupby(), map(), np.select()

Розумна обробка даних у Pandas: дати, ранги, сесії

• Навчитесь ефективно збирати дані з .loc[], .iloc[] у Pandas та працювати з індексацією в NumPy
• Дізнаєтеся, як обробляти часові дані з допомогою .dt, to_datetime()
• Розберете метод merge_asof() для приєднання за часом
• Застосуєте ковзні обчислення, ранжування та сесійну сегментацію для глибокого аналізу даних

Основи візуалізації з Matplotlib та Seaborn

• Дізнаєтеся про ключові принципи побудови графіків, розглянете графіки в Pandas, а також спеціальні бібліотеки для візуалізації: Matplotlib та Seaborn
• Навчитеся створювати різні типи візуалізацій: від простих лінійних і стовпчастих графіків та гістограми в Matplotlib до heatmap, boxplot, scatterplot у Seaborn
• Набудете навичок роботи зі стилями, кольорами й підписами, щоб графіки були інформативними та зрозумілими для аналітичних презентацій

Інтерактивна візуалізація з Plotly: дашборди й реальні кейси

• Зрозумієте, для чого потрібна інтерактивна візуалізація
• Розглянете бібліотеку Plotly
• Навчитеся створювати графіки за допомогою Plotly Express
• Розглянете базову структуру дашборда в Dash
• Навчитеся візуалізувати бізнес-дані - створювати інтерактивні графіки для продажів, клієнтів, динаміки у вигляді інтерактивних елементів з базовим управлінням через layout і callback-функції

Scikit-learn. Статистика в Python: гіпотези, кореляції, регресія

• Дізнаєтесь, як застосовувати описову статистику, перевірку гіпотез і кореляційний аналіз для оцінювання бізнес-даних
• Вивчите два підходи до моделювання: scikit-learn (для швидкого створення моделей) та statsmodels (для детального статистичного аналізу лінійної регресії)
• Навчитеся виявляти статистично значущі відмінності між групами даних і робити обґрунтовані висновки для ухвалення бізнес-рішень

Машинне навчання для аналітика: прогнози, моделі, кейси

• З'ясуєте, як працює прогнозний аналіз і кросвалідація: інструменти, що допомагають перевіряти якість моделей і не вводити себе в оману
• Зможете будувати базові моделі машинного навчання: класифікаційні (наприклад, передбачення відтоку клієнтів) та регресійні (наприклад, прогноз виручки)
• Зрозумієте, коли та як обирати між класифікацією і регресією у бізнес-завданнях
• Дізнаєтесь, як оцінювати точність моделей за допомогою метрик MAE, R², accuracy
• Навчитеся інтерпретувати результати моделі та визначати ключові фактори, що впливають на поведінку клієнтів або фінансові показники

Вебскрапінг з Beautifulsoup

• Дізнаєтесь, як працюють HTTP-запити та DOM-структура
• Навчитеся завантажувати HTML-документи через requests
• Попрацюєте з BeautifulSoup для парсингу даних і витягування потрібних елементів
• З'ясуєте, як зберегти дані у CSV для подальшого аналізу

Парсинг даних і робота з API: Scrapy, Requests

• Дізнаєтесь, як працює фреймворк Scrapy: його структура, пайплайни та переваги для збору вебданих
• Зрозумієте, що таке API, як знаходити документацію та витягувати з нього потрібні дані
• Попрактикуєтесь у запитах до REST API за допомогою бібліотеки requests
• Порівняєте підходи: API vs скрапінг

Робота з базами даних: від SQLite до Postgresql

• Навчитеся працювати з базами даних, зберігати й обробляти великі обсяги даних
• Створите локальну базу даних в SQLite, зможете робити таблиці та виконувати CRUD-операції
• Опануєте SQLAlchemy для створення ORM-моделей, фільтрації та оновлення даних
• Зрозумієте, як під'єднуватися до PostgreSQL через psycopg2 та як завантажувати дані з SQL-запитів у Pandas і формувати звіти для аналітики й презентацій

Автоматизація збору та обробки даних

• Навчитеся писати скрипти для регулярного збору, очищення й трансформації даних
• Вивчите основи логування, обробки помилок, таймаутів
• Дізнаєтесь, як обробити JSON-відповідь з API, витягнути ключові показники та зберегти їх у CSV для подальшої обробки
• Автоматизуєте обробку помилок, логування та створення щоденного аналітичного звіту
• Дізнаєтесь, як працювати із хмарними сервісами (Google Drive, AWS S3)

Презентація фінальних проєктів

• У фінальному проєкті ви оберете один із запропонованих реальних датасетів і пройдете повний цикл роботи з даними в Python: від завантаження й обробки до побудови візуалізацій та формування висновків
• Презентуєте власний проєкт лектору та колегам

Особливості курсу

• Допомога ментора
• Практика
• Курсовий проєкт
• Зручний формат
• Індивідуальний фідбек
• Доступ назавжди
• Сертифікат про проходження курсу

Викладачі курсу

Анна Шепелєва - Senior Data Analyst at Brainstack

Курс навчить розв'язувати основні задачі Data Science за допомогою поглибленої роботи з Python та його бібліотеками. В результаті ви зможете будувати просунуті візуалізації, знаходити взаємозв'язки в даних, робити прогнози та навчати моделі.

Програма курсу

Задачі Data Science. Interactive Python і знайомство з NumPy

• З'ясуєте, чим машинне навчання відрізняється від класичного програмування
• Зрозумієте, як формулюється задача машинного навчання
• Розберете процес роботи над Data Science задачами
• Навчитеся створювати масиви та виконувати базові операції над ними в бібліотеці NumPy
• Ознайомитеся з перевагами бібліотеки NumPy для роботи з даними

NumPy. Лінійна алгебра і статистика

• Навчитеся використовувати функції лінійної алгебри й статистики в NumPy
• Зможете вводити й виводити numpy-матриці та масиви різної величини

Знайомство з Pandas

• Навчитеся створювати, імпортувати й експортувати табличні дані в Pandas Dataframe
• Зможете маніпулювати табличними даними (створення нових колонок, агрегації)
• З'ясуєте, як швидко і зручно працювати з табличними даними за допомогою Pandas

Візуалізація даних

• Навчитеся будувати базові візуалізації в Python за допомогою matplotlib і seaborn
• Розберете три способи візуалізації даних з Pandas Dataframe
• Зможете побудувати просунуті візуалізації: heatmap, box plot, pair plot, cumulative plot
• Опануєте побудову базових інтерактивних візуалізацій

Exploratory Data Analysis (EDA) та очистка даних

• Зрозумієте мету й етапи EDA
• Навчитеся досліджувати структуру будь-якого набору даних
• Зможете виявляти пропущені значення, дублікати й очищувати дані
• Знатимете кілька технік заповнення пропусків та зрозумієте, коли яку використовувати

Задача прогнозування. Лінійна регресія. Градієнтний спуск

• Зрозумієте, як працює лінійна регресія
• Дізнаєтесь, як працює алгоритм градієнтного спуску
• Навчитеся тренувати модель лінійної регресії з використанням бібліотеки sklearn
• Розберетесь, як оцінити якість моделі лінійної регресії

Інші типи регресій

• Навчитеся будувати багатовимірну лінійну регресію
• Дізнаєтесь, як інтерпретувати коефіцієнти лінійної регресії

Вибір найкращої моделі. Техніки валідації. Пошук гіперпараметрів

• Дізнаєтеся, навіщо розбивати вибірку на train/validation/test-вибірки
• Зрозумієте, в чому відмінність validation- і test-вибірок
• Дізнаєтеся, що таке гіперпараметри моделі та в чому їхня відмінність від параметрів
• Ознайомитеся з методами підбору гіперпараметрів і навчитеся викликати їх у scikit-learn
• Дізнаєтеся, що таке перехресна валідація та як використовувати її в sklearn
• Зрозумієте, що таке overfit i underfit (і чому це проблема)
• Навчитеся застосовувати регуляризацію в моделях регресії

Задача класифікації. Логістична регресія

• Дізнаєтесь, як навчати модель логістичної регресії для класифікації даних і оцінювати її якість
• Отримаєте алгоритм дій у випадку мультикласової класифікації та зрозумієте, як оцінити якість таких моделей

Модель "дерева рішень"

• Ознайомитеся з принципом роботи моделі "дерева рішень"
• Зможете навчати моделі дерев рішень для розв'язання задач регресії та класифікації

Ансамблі моделей, алгоритми бустингу

• Зрозумієте, як працюють ансамблі моделей та в чому їхні переваги
• Навчитеся будувати різні типи ансамблів моделей
• Дізнаєтесь, який спосіб ансамблювання потрібно використати у випадку high bias, а який - у випадку high variance
• Розберете відмінність адаптивного бустингу від градієнтного
• Ознайомитеся з базовим функціоналом бібліотеки xgboost

Вибір ознак. Зменшення розмірності даних

• Навчитеся зменшувати розмірність набору даних із великою кількістю ознак
• Навчитеся обирати фічі так, щоб залишити лише найбільш значущі для моделі
• Дізнаєтесь, як працюють і чим відрізняються методи зменшення розмірності SVD, PCA та LDA

Кластерний аналіз даних

• Навчитеся виявляти групи схожих екземплярів у даних за допомогою кластеризації
• Дізнаєтесь, як працюють методи кластеризації K-Means, DBSCAN та Agglomerative Clustering

Статистичний аналіз даних

• Навчитеся генерувати випадкові величини різних розподілів
• Зможете перевірити гіпотезу про нормальність розподілу
• Навчитеся порівнювати розподіл двох випадкових величин

Від історії АІ до Prompt Engineering

• Зрозумієте, як розвивався штучний інтелект і чому зараз відбувся "АІ-бум"
• Розберете різницю між класичним ML і Generative AI
• Навчитеся формулювати ефективні промпти для задач аналізу даних і Python-коду
• Зможете використовувати базові AI-інструменти для перевірки та оптимізації промптів

AI Tools for Data & Developers

• Ознайомитеся з AI-інструментами для аналітиків та Python-розробників
• Навчитеся використовувати AI для написання коду, аналізу даних і створення візуалізацій
• Зможете інтегрувати AI-асистента у власне робоче середовище (VS Code, Jupyter, GitHub)

Співбесіди й вимоги до них. Розповсюджені помилки у домашніх завданнях

• Дізнаєтесь, як підготуватися до технічної співбесіди та пройти її успішно
• Отримаєте відповіді на проблемні запитання, які виникли протягом курсу
• Отримаєте правильні відповіді на домашні завдання та дізнаєтесь, які найпоширеніші помилки роблять спеціалісти

Особливості курсу

• Заняття щопонеділка та щочетверга
• Інструменти для роботи
• Сильний контент
• Практика
• Кар'єра: розширення стеку навичок

Викладачі курсу

• Олександра Кардаш - Senior Software Engineer at Google
• Ірина Безкровна - Technical Data Lead at Xometry

Поглиблений курс по пайтону, розробка веб додатків, робота з серверами, робота з API та фреймворками.

Програма курсу

Django

• Загальна інформація
• Вступ до Django REST Framework
• Серіалізація даних
• Класи представлень DRF
• Представлення DRF
• Дозволи DRF
• Вкладені серіалізатори
• Класи фільтрів DRF
• Пагінація DRF
• Throttling DRF
• Автоматизація завдань DRF
• Розширення DRF

Особливості курсу

• Зручна LMS система
• Безстроковий доступ до лекцій та матеріалів
• Чат з менторами
• Перевірка завдань
• Живі консультації

На курсі Python ти опануєш популярну професію Python-розробника. Після курсу ти будеш вправно користуватися такими технологіями, як Django, Django Rest Framework, Algorithms, PIP, Python virtualenv, Flask, Pandas, NumPy та багато іншого.

Програма курсу

Python Basics

• Introduction
• Main Concepts
• Numbers
• Strings
• Boolean
• Lists
• Conditional Operators
• Loops
• Functions
• Summary

Course Fundamentals

How to learn effectively.

Python Basics Extended

• Module Overview
• Environment Setup
• Code Style
• Debugging
• Working With Numbers
• Working With Strings
• Lists in Details
• Dict Basics
• Type Conversion
• Loops in Details
• Functions Revisited
• Summary

Git and Terminal

• Environment Setup
• Command Line Basics
• Git Basics
• Working With Branches
• Working With Remote Repo (GitHub)

Python Core

• How to Solve GitHub Tasks
• Mutable Immutable Types
• List and Dict Comprehensions
• Functions in Details
• Decorators
• Classes
• Classes in Details
• Iterators and Generators
• Modules and Imports
• OOP Single Inheritance
• OOP Multiple Inheritance
• OOP Encapsulation Polymorphism Abstraction
• Properties and Descriptors
• Exception Handling
• Exceptions in Details
• File Handling
• Memory Management
• Testing
• Testing in Details
• Basic Modules Overview
• Dict Advanced
• Extra
• Python Practice

SQL Basics

• Introduction to SQL
• SELECT Statement
• WHERE Statement
• NULL Value, LIKE, BETWEEN, and IN Statements
• ORDER BY, LIMIT, DISTINCT
• Aliases
• Aggregate Functions
• GROUP BY Statement
• JOIN Statement
• Functions
• HAVING Statement

Django ORM

• Database Intro
• ORM Intro
• Fields and Relations
• Many-to-Many Relationship
• Queries
• Queries in Details
• ORM Advanced
• Optional: Performance Improvement & Isolation Levels

HTML + CSS Basics

• Environment Setup
• HTML Basics
• CSS Basics
• Colors and Fonts
• Box Model Basics
• Semantic Basics
• Responsiveness Basics
• CSS Selectors
• Pseudo-Elements and Pseudo-Classes
• Specificity
• Links and URLs
• Images
• Media Queries
• Forms
• Position
• Extra topics

How the Web Works

• Introduction to the web
• OSI model
• HTTP
• Encryption
• API interface
• Security in the Web

Django

• Django Intro
• MVT
• Class-Based Generic Views
• Sessions and Authentication
• Forms
• Forms in Details
• Django Advanced
• Website [Portfolio Project]
• Deploying Django
• Django Practice

Django REST Framework

• Django REST Framework Intro
• Class-Based Views
• Serializers
• Serializers in Details
• Authentication & Permissions
• Django REST Framework Advanced
• DRF JWT and Tests
• Docker
• Docker in DRF
• API [Portfolio Project]
• Test Task Solving
• Connect Backend to Frontend
• DRF Practice

Asynchronous Python

• Introduction and Theoretical Foundation
• Concurrency & Parallelism
• Asyncio

Team Project

• Team Project. Intro
• Jira Environment
• Status Check
• Estimates
• How to Demo Your Work
• Team Project for Employment
• Retrospective

Employment 2.0

• Employment Roadmap
• Preparing Your Resume
• Interview Preparation
• Cover Latter Preparation
• Google, LinkedIn, DOU, Djinni
• How to find and apply for vacancies
• Job Search Tips: Talking to Recruiters
• Work details FAQ

Object Oriented Programming

• Basic Principles
• SOLID Principles

Python Advanced

• SOLID Practice
• FastAPI overview
• FastAPI in details
• Web Scraping
• Selenium
• Scrapy
• Data Analysis
• Pandas & Matplotlib
• ETL & Visualising Practice
• [Portfolio Project]: Web Scraping & Data Analysis Practice
• Tableau
• Machine Learning
• Neural Networks & Classification
• DevOps Basics for Python Developers
• Machine Learning Practice

Algorithms and Data Structures (Old)

• Main Concepts
• Algorithm Complexity
• Data Structures: Array
• Search Algorithms
• Data Structures: Linked List
• Data Structures: Stack
• Data Structures: Queue
• Data Structures: Hash Map
• Data Structures: Hash Set

Algorithms and Data Structure

• Module Overview
• Algorithms complexity
• Arrays
• Binary search
• Two pointers
• Linked lists
• Stack
• Queue
• Trees
• Binary search tree
• Priority queue

Javascript Basics

• Introduction
• Your First JavaScript Program
• Main Concepts
• Numbers
• Strings
• Boolean
• Functions
• Conditional Operators
• Arrays
• Loops
• String Iteration
• String Methods
• Working With Arrays
• Get Ready for the Interview

Career Development

• Mastering Your Probation Period
• PDP and Career Plans
• Salary Review Strategies
• Recruiter Outreach
• How to Find a New Job?
• How to Talk About You Previous Work Experience?
• Career Knowledge Base

Особливості курсу

• Працюєш? Вчись у власному темпі
• Зідзвони з менторами тричі на тиждень
• Чат з одногрупниками
• Навчальні матеріали «без води» замість довгих лекцій
• Матимеш 3 робочих проєкта в портфоліо
• Гарантуємо працевлаштування після навчання
• Повернемо кошти якщо не знайшов роботу в ІТ

Викладачі курсу

• Alla Vyshnia - Student's Coordinatop
• Danylo Tiutiushkin - Python developer

За 16 уроків опануєте основи Python, систематизуєте знання та практичні навички програмування, щоб далі розвиватися в IT як Python Developer, Data Analyst, ML Engineer, Data Scientist, Data Engineer.

Програма курсу

Основи програмування. Знайомство з Python

• Зрозумієте, які завдання розв’язують за допомогою програмування, а також які бувають підходи до програмування
• Дізнаєтеся, що таке мова програмування і які вони бувають
• Зрозумієте, чим особлива мова програмування Python та які сфери її застосування

Середовище розробки

• Розберете основні інструменти для програмування мовою Python та навчитесь їх встановлювати
• Дізнаєтеся, що таке IDE та як їх використовувати
• Дізнаєтеся, що таке Python Interpreter
• Розглянете, що таке virtualenv, як його створити й використовувати

Типи даних. Операції з даними

• Навчитеся використовувати базовий синтаксис та ключові слова мови Python
• Попрактикуєтеся розрізняти типи даних
• Дізнаєтеся, що таке змінна і для чого її використовують
• Розберете базовий синтаксис мови для роботи зі змінними

Умови та цикли

• Зрозумієте, що таке умовні конструкції та як їх використовувати
• Дізнаєтеся, що таке ітерація, та зможете писати базові циклічні програми

Функції

• Дізнаєтеся, що таке функція, які вони бувають та як їх оголошувати
• Розберете, що таке іменовані та неіменовані параметри функції

Колекції та структури даних

• Навчитеся працювати зі списками, словниками, кортежами та множинами
• Дізнаєтеся їхні відмінності, сильні та слабкі сторони, алгоритмічну складність роботи з ними
• Зможете організовувати й оптимізувати дані коду за допомогою різних колекцій та структур даних

Додаткові функції. Ітератори та генератори

• Навчитеся працювати й створювати ітератори й генератори
• Розберете відмінності між ітератором та генератором
• Дізнаєтеся різні способи використання ітераторів і генераторів

Обробка помилок та менеджери контексту

• Дізнаєтеся, що таке Exceptio та які бувають його типи
• Навчитеся використовувати винятки для контролю помилок та підвищення читабельності коду
• Дізнаєтесь, як створити власний Exception
• Розберете, що таке контекстний менеджер і для чого їх використовувати
• Зможете створити власний менеджер контексту

Декоратори

• Розберете, що таке декоратор і для чого їх використовують
• Навчитеся створювати власний декоратор

Робота з файлами

• Навчитеся створювати, читати й змінювати файли за допомогою Python
• Дізнаєтесь, як працювати з функцією open

Класи та об'єкти в Python

• Дізнаєтеся, чим об’єкт відрізняється від класу
• Зрозумієте переваги використання класів на практиці

Об'єктно-орієнтоване програмування (ООП) в Python

• Розберете ідеологію Python як мови, що є прикладом обʼєктно-орієнтованої мови програмування (ООП)
• Дізнаєтеся, що таке класи та як їх створювати
• Розберете, що таке атрибути й методи класів
• Вивчите, що таке static та class methods
• Навчитеся розрізняти відмінності основних парадигм програмування

Тестування та налагодження коду

• Опануєте різні способи тестування коду перед запуском: unit-тести, інтеграційні тести, end-to-end тести
• Навчитеся писати unit-тести

Робота з потоками та процесами

• Зрозумієте відмінність між потоком та процесом
• Зможете створити нескладну багатопотокову програму
• Розберете, як працює багатопотоковість у Python

Наступні кроки та можливості

• Зрозумієте, що таке фреймворки та бібліотеки та як з ними працювати
• Опануєте основні фреймворки, бібліотеки та в яких сферах їх використовують
• Розберете, де ви зможете розвиватися як Python-розробник

Фінальний проєкт

• Розробите планувальник бюджету на Python
• Презентуєте проєкт лектору та одногрупникам

Особливості курсу

• База Python
• Навичка писати якісний код
• Гнучкий формат
• Проєкт у портфоліо

Викладачі курсу

Богдан Данилюк - Architect at EOS Data Analytics