Programmeringskurs i Python

Lektion 1 • Installera Python och utvecklingsverktyg

Behandlar installation av Python-tolken, versionsval och IDE-inställning. Etablerar den grundläggande miljö som behövs för alla efterföljande kodningsövningar.

Lektion 2 • Grundläggande inmatning, utmatning och operatorer

Behandlar print(), input() samt aritmetiska, jämförelse- och logiska operatorer. Dessa grunder förekommer i varje program som skrivs i kursen.

Lektion 3 • Variabler, datatyper och litteraler

Lär ut dynamisk typning, inbyggda datatyper och literalnotation. Att förstå typer är en förutsättning för alla kapitel om datamanipulation.

Lektion 1 • Listomfattningar och funktionell iteration

Lär ut list-, dict- och set-omfattningar tillsammans med map() och filter(). Kortfattade iterationsmönster förbättrar läsbarheten i datatunga program.

Lektion 2 • for-loopar och iteration

Behandlar iteration över sekvenser och användning av range(). De loopmönster som introduceras här återkommer i kapitel om samlingar, filer och databehandling.

Lektion 3 • while-loopar och loopkontroll

Introducerar villkorsstyrda loopar och satserna break, continue och pass. Dessa kontroller möjliggör precis flödeshantering i komplexa algoritmer.

Lektion 1 • Lambda-funktioner och dekoratörer

Introducerar anonyma funktioner och funktionsomslutande dekoratörer. Dessa verktyg förekommer i stor utsträckning i ramverk och funktionell kod.

Lektion 2 • Definiera och anropa funktioner

Behandlar def-syntax, returvärden och anropskonventioner. Funktioner är den primära återanvändningsenheten i allt efterföljande projektarbete.

Lektion 3 • Avancerade parametertekniker

Lär ut standardvärden, nyckelordsargument, *args och **kwargs. Dessa mönster möjliggör flexibla API:er som används i bibliotek och ramverk senare.

Lektion 1 • Listor: Skapande och manipulation

Behandlar listindexering, slicing och alla muterande metoder. Listor är den vanligaste strukturen i databehandling och algoritmarbete.

Lektion 2 • Tupler och oföränderliga sekvenser

Lär ut att skapa tupler, packning, uppackning och användningsfall. Oföränderlighet gör tupler idealiska för fasta poster och dictionary-nycklar.

Lektion 3 • Set och set-operationer

Introducerar skapande av mängder, medlemskapstestning och matematiska operationer. Mängder möjliggör snabb deduplicering och relationsfrågor i datapipelines.

Lektion 4 • Dictionaries: Nycklar, värden och metoder

Behandlar att skapa dicts, åtkomstmönster, iteration och sammanslagning. Dicts ligger till grund för JSON-hantering, konfiguration och cachning i verkliga tillämpningar.

Lektion 1 • Metoder: Instans-, klass- och statiska

Behandlar de tre metodtyperna och deras lämpliga användningsområden. Korrekt metodval tydliggör avsikt och förbättrar API-design.

Lektion 2 • Arv och metodöverskuggning

Introducerar enkel- och multipelarv, super() och metodupplösning. Arv minskar duplicering över relaterade klassfamiljer.

Lektion 3 • Inkapsling och specialmetoder

Behandlar namnmangling, dunder-metoder och operatoröverlagring. Dessa funktioner producerar intuitiva, pythoniska klassgränssnitt.

Lektion 1 • Undantagshantering

Lär ut try, except, else, finally och egna undantag. Korrekt felhantering förhindrar krascher och möjliggör graciös degradering.

Lektion 2 • Arbeta med CSV- och JSON-filer

Introducerar standardbiblioteksmodulerna csv och json för strukturerad data. Dessa format är allestädes närvarande vid datautbyte och API-integration.

Lektion 3 • Läsa och skriva filer

Behandlar open(), fillägen, kontexthanterare och binär jämfört med text-I/O. Filhantering är avgörande för dataintag och utdata i verkliga projekt.

Lektion 1 • Datarengöring och transformation

Behandlar hantering av saknade värden, typkonvertering och apply()-transformationer. Rena data är en förutsättning för korrekt analys och modellering.

Lektion 2 • NumPys verktyg för statistik och linjär algebra

Introducerar aggregationsfunktioner, slumptalsgenerering och matrisoperationer. Dessa verktyg ligger till grund för förbehandling och simulering inom maskininlärning.

Lektion 3 • Gruppering, sammanslagning och aggregation

Introducerar groupby(), merge() och pivottabeller för att sammanfatta data. Dessa operationer replikerar SQL-liknande analyser helt inom Python.

Lektion 4 • NumPy-arrayer och -operationer

Behandlar att skapa ndarray, indexering, broadcasting och vektoriserad matematik. NumPys effektivitet är ryggraden i vetenskapliga och datavetenskapliga arbetsflöden.

Lektion 1 • Schemaläggning och uppgiftsautomatisering

Introducerar schemalagda skript, argumenttolkning och loggning. Produktionsautomatisering kräver tillförlitlig schemaläggning och observerbar körning.

Lektion 2 • Planering och leverans av slutprojekt

Vägleder deltagare genom att avgränsa, bygga och presentera ett komplett projekt. Syntetiserar alla centrala färdigheter till en portföljfärdig leverans.

Lektion 3 • Filsystem- och OS-automatisering

Lär ut os, pathlib och shutil för fil- och katalogautomatisering. Att automatisera repetitiva filuppgifter sparar betydande tid i professionella arbetsflöden.