Jak zahájím strojové učení s Pythonem? Co mám dělat, když jsem začátečník?


Odpověď 1:

Následuj toto

Strojové učení

série výukových programů pro základní až pokročilé koncepce strojového učení. K implementaci těchto konceptů se však musíte naučit programovací jazyk. Pokud jste začátečník, raději jděte na Python. Tady jsou

7 kroků k učení Pythonu pro strojové učení nejefektivnějším způsobem.

1. Začněte se základy

Pokud neznáte základní syntax, je těžké implementovat cokoli. To znamená, že na to nestrávíte příliš dlouho. Cílem je naučit se základní základy, takže víte dost, abyste mohli začít pracovat na svých vlastních projektech ve svých oblastech zájmu.

Pro informaci jsem strávil méně než týden na dataflairu a prošel asi 30% materiálu. To stačilo k zahájení projektu.

Některé zdroje, které vám mohou pomoci:

Pythonova syntaxe Nejlepší výukový program, který se naučí syntaxi Pythonu

Operátoři Pythonu

Funkce Pythonu

Pochopení Pythonu

Seznamy Pythonu

Python Tuples

Python adresář a porozumění slovníku

Rozhodování v Pythonu

Smyčky v Pythonu

Nedokážu dostatečně zdůraznit, že byste měli strávit pouze minimální množství času předem na základní syntaxi. Čím rychleji se můžete dostat k práci na projektech, tím rychleji se naučíte. Kdykoli později uvíznete, můžete se vždy vrátit zpět k syntaxi.

Krok 2 - Nastavení počítače

doporučuji

Anakonda

přizpůsobit se Data Science. Anaconda je distribuce s otevřeným zdrojovým kódem pro Python a R pro zpracování rozsáhlých dat, vědecké výpočty a prediktivní analýzu. Můžete si také stáhnout Anaconda z

Domov

. Obsahuje vše, co potřebujete, abyste se naučili Python pro vědu o datech a strojové učení.

Krok 3 - Naučte se regulární výraz (regulární výraz)

Pokud se musíte vypořádat s textovými daty, regex vám přijde vhod při čištění dat. Je to proces zjišťování a shromažďování poškozených chyb ze záznamů ze sady záznamů, databáze nebo tabulky. Identifikuje nepřesné, nesprávné, neúplné a irelevantní části dat a modifikuje, nahrazuje nebo odstraní.

Krok 4 - Základní knihovny pro Data Science a ML

Knihovna je ve skutečnosti svazek již existujících funkcí a objektů, které lze do skriptu importovat, aby se ušetřil čas a úsilí.

A. Numpy

b. Pands

C. Scipy

d. Matplotlib

E. scikit-learn

F. Seaborn

Krok 5 - Začněte dělat projekty s dalším učením

Vytvořte na Pythonu něco skutečného. Děláte chyby, mnohokrát uvíznete, ale postupně najdete způsoby, jak se vymanit ze svých problémů. Na cestě k nalezení odpovědí na vaše dotazy se dozvíte nové věci a zde začne skutečné učení.

5. Vytvořte strukturované projekty ve vybrané oblasti

Pokud své znalosti skutečně nepoužijete, nebudete si je moci dobře udržet. Projekty jsou skvělým způsobem, jak se učit, protože zvyšují vaše schopnosti, ukazují, jak uplatňovat dovednosti, a dávají vám portfolio, aby se v budoucnu ukázaly zaměstnavatelům. Můžete si přečíst následující článek

Budoucí rozsah programování R R Programovací kariéra.

Když začnete, může být užitečné mít více strukturovaných projektů s určitým vedením.

6. Pracujte na projektech sami

Jakmile se tyto pojmy naučíte vedeným způsobem, je čas pracovat na některých projektech samostatně. Stále budete muset konzultovat reference a hledat koncepty, ale to, co se naučíte, přizpůsobíte potřebám vašeho projektu, nikoli naopak.

Nalezení dalších lidí, s nimiž bude pracovat, vám může pomoci naučit se i motivovat.

Několik nápadů:

  • Rozšiřte projekty, na kterých jste dříve pracovali, a přidejte další funkce.
  • Jděte na setkání s Pythonem ve vaší oblasti a najděte lidi, kteří pracují na zajímavých projektech.
  • Najděte open source balíčky, do kterých chcete přispět.
  • Zjistěte, zda místní neziskové organizace hledají dobrovolnické vývojáře.
  • Najděte projekty, které vytvořili jiní lidé, a zjistěte, zda je můžete rozšířit nebo přizpůsobit.

Můj první projekt byl přizpůsobení mého automatizovaného algoritmu bodování eseje z R do pythonu. Nakonec to nevypadalo hezky, ale začalo mě to na cestě k učení pythonu.

Klíčem je vybrat něco a udělat to. Pokud se při výběru dokonalého projektu příliš pověsíte, existuje riziko, že jej nikdy nezískáte.

7. Pokračujte v práci na těžších projektech

Stále zvyšujte obtížnost a rozsah svých projektů. Pokud jste zcela spokojeni s tím, co stavíte, znamená to, že je čas vyzkoušet něco těžšího.

Zde je několik nápadů, kdy přijde ten čas:

  • Zkuste učit začátečníka, jak udělat svůj aktuální projekt.
  • Zkuste načíst testování vašeho webu - můžete ho zvětšit?
  • Můžete zrychlit běh programu?

Do budoucna

Na konci dne se python neustále vyvíjí a mění. Pravděpodobně existuje jen málo lidí, kteří si mohou legitimně prohlásit, že tomu úplně rozumí.

Budete se muset neustále učit a pracovat na projektech. Pokud to uděláte správně, zjistíte, že se před 6 měsíci díváte na svůj kód a přemýšlíte o tom, jak strašné to je. Pokud se dostanete k tomuto bodu, jste na správné cestě.

Python je opravdu zábavný a obohacující jazyk, který se má učit, a myslím si, že kdokoli se v něm může dostat na vysokou úroveň, pokud najde správnou motivaci.

Viz

Pokud byla odpověď užitečná, prosím

UPVOTE

a sledovat můj účet

pro více odpovědí na Python a DataScience.


Odpověď 2:

Můžu vás vést

Krok 1

Nejprve se musíte učit

Krajta

od Scratch

Krok 2

Učit se

Knihovny Python pro strojové učení

[tyto knihovny jsou velmi důležité]

Krok 3

Začněte se učit strojem pomocí jakéhokoli online kurzu.

Pro vaše pohodlí vás mohu navrhnout

Nejlepší strojové učení pomocí online kurzu Python

  • Machine Learning AZ ™: Hands-On Python & R in Data Science
  • Strojové učení pro vědu o datech

Je lepší jít s prvním.

Zde se můžete učit

Tento kurz je zábavný a vzrušující, ale zároveň se ponoříme hluboko do strojového učení. Je strukturován následujícím způsobem:

  • Část 1 - Předběžné zpracování dat
  • Část 2 - Regrese: jednoduchá lineární regrese, vícenásobná lineární regrese, polynomiální regrese, SVR, regrese rozhodovacích stromů, náhodná lesní regrese
  • Část 3 - Klasifikace: Logistická regrese, K-NN, SVM, SVM jádra, Naive Bayes, klasifikace rozhodovacích stromů, náhodná klasifikace lesů
  • Část 4 - Shlukování: K-prostředky, hierarchické shlukování
  • Část 5 - Učení se pravidlům asociace: Apriori, Eclat
  • Část 6 - Posílení učení: Upper Confidence Bound, Thompson Sampling
  • Část 7 - Zpracování přirozeného jazyka: Bag-of-slov model a algoritmy pro NLP
  • Část 8 - Hluboké učení: Umělé neuronové sítě, konvoluční neuronové sítě
  • Část 9 - Zmenšení rozměrů: PCA, LDA, Kernel PCA
  • Část 10 - Výběr modelu a zesílení: K-fold Cross Validation, ladění parametrů, vyhledávání v mřížce, XGBoost

a také….

  • Master Machine Learning na Pythonu a R
  • Mají velkou intuici mnoha modelů strojového učení
  • Proveďte přesné předpovědi
  • Proveďte silnou analýzu
  • Vytvořte robustní modely strojového učení
  • Vytvořte silnou přidanou hodnotu pro vaše podnikání
  • Strojové učení používejte pro osobní účely
  • Zacházejte se specifickými tématy, jako je Výztužné učení, NLP a Hluboké učení
  • Zacházejte s pokročilými technikami, jako je zmenšení rozměrů
  • Zjistěte, který model strojového učení zvolit pro každý typ problému
  • Postavte armádu výkonných modelů strojového učení a umíte je kombinovat, abyste vyřešili jakýkoli problém

Dodatečné zdroje :-

  • začátečník až pokročilý - strojové učení a neuronové sítě

Vše nejlepší .


Odpověď 3:

Naučte se Data Science v Pythonu

KROK 0

Než začnete, měli byste mít odpovědi na:

- Proč bych se měl učit Pythona?

- Jak by byl Python užitečný?

KROK 1

Nastavte svůj stroj

- Stáhněte a nainstalujte Anaconda

KROK 2

Získejte základní informace o Pythonu

- Začněte s Codecademy.

- Správně pochopit seznamy, n-tice, slovníky, seznam

porozumění, porozumění slovníku.

- Začněte řešit úlohy Pythonu

-------- Začátečník dokončen --------

KROK 3

Zvládněte používání regulárních výrazů v Pythonu

-Vyberte třídu google na Pythonu

-Vycvičujte si „dětská jména“

- Porozumět těžbě textu

KROK 4

Získejte mistrovství ve vědeckých knihovnách v Pythonu

- NumPy, SciPy, Matplotlib, Pandas.

- Zaměřte se na pole NumPy

- Projděte si návody NumPy, SciPy, Pandas

KROK 5

Vizualizace dat v Pythonu

- Harvardův návod na DV

- Cvičení

11 23 30 72 68 28 22 13

----- Střední úroveň dokončena ------

KROK 6

Je čas dobýt SciKit učení a strojové učení

- Podívejte se na kurz Harvardu CS109

- Kurz strojového učení Andrew Ng

- Procvičujte si úkoly

KROK 7

Praxe dělá člověka dokonalým

- Procvičujte výše uvedené kroky nábožensky

------ Pokročilá úroveň dokončena -----

KROK 8

Ponořte se hluboko do hlubokého učení

- Kurz Geoffa Hintona

------ Expertní úroveň dokončena --------


Odpověď 4:

Řekl bych vám některé základní věci, které by vám pomohly.

Nejprve zlepší svou vášeň pro programovací svět. Mnoho lidí považuje programování a strojové učení za velmi abstraktní, ale pokud vás zaujme, pomůže vám to úplně. Některá videa IBM, Microsoft, Facebook, Amazon innovations by mohli pomoci budovat váš zájem.

Existuje také tolik dobrých profesorů a programátorů, z nichž někteří dokážou opravdu dobře učit pojmy a základy programování a strojového učení. YouTube hostí mnoho skvělých lidí. Protože se zaměřujete na python pomocí strojového učení, ujistěte se, že jste si osvojili trochu programovacích dovedností pythonu. Po jejich přednášce (která je plná příkladů), se můžete naučit pojmy strojového učení pomocí pythonu a také je implementovat. Po chvíli začnete vyzvedávat, když potkáte chyby, zkuste github a budete v pořádku.

Z některých důvodů byste mohli chtít programovat v systémech Linux. Pomohou vám nástroje jako Anaconda. Tyto nástroje a sady dovedností by byly uvedeny ve videích. Snažte se je aplikovat a budete v pořádku.

A nikdy se nevzdávej, miluj matematiku, když uděláš pokroky. Základy všech algoritmů strojového učení se pohybují od konceptů k matematice, implementace jsou založeny na matematice. Je to jednoduché pochopit, i když někteří by mohli být okouzlující. Existuje mnoho online fór, můžete položit otázky a lidé vám rádi odpoví. Když začnete Strojové učení, nemusí být Quora vhodná.

Můžete také připojit několik bezplatných online kurzů a firemních výukových programů, kde se setkáte s velkými profesory a programátory a urychlíte svůj pokrok.

S výše uvedeným jsem si jistý, že budete v pořádku, ale úroky se hodně počítají. Vybudujte si Strojové učení na tomto dobrém základu. Matematika bude vaše zbraň. Zůstaňte v bezpečí, zůstaňte zdraví.


Odpověď 5:

Hodně na otázku: #Jak mohu začít strojové učení s Pythonem Co mám dělat, když jsem začátečník?

TOP 9 TIPŮ NA ZÍSKÁNÍ STROJŮ ZÍSKÁNÍ RYCHLEJŠÍ!

Ahoj, začal jsem se strojovým učením od roku 2015 do současnosti. Dovolte mi, abych se s vámi podělil o několik klíčových tipů, jak se stát mistrem strojového učení, jak je uvedeno níže.

Tip 1:

Vyjměte problém z minulého kurzu Engineering Mathematics a pokuste se do něj ponořit praktické příklady. Pak se pokuste tyto rovnice vyřešit pomocí vědeckých počítačových knihoven, jako jsou scipy a numpy.

Pokud jste s výše uvedenými věcmi spokojeni, možná budete chtít získat náskok před ML, takže plánujete vzít MOOC na courseru. V současné době jsou nejoblíbenější kurzy strojového učení Dr. Andrew Ng. Ale pak se vám pravděpodobně nepodaří dokončit tyto kurzy kvůli nedostatku času na dokončení úkolů. Zde je tip pro vás.

+ Užitečný zdroj:

10 nejlepších kurzů strojového učení online

Tip 2. Určete, zda potřebujete vývoj strojového učení

Strojové učení je nákladné a časově náročné a odborníci jsou chudí na zemi a jsou velmi žádaní.

Pokud však máte data, můžete je použít jako ovladač pro vaši firmu. Může to být něco malého nebo velkého v závislosti na vašich obchodních cílech, časovém rámci a rozpočtu.

Ve skutečnosti byste měli zvážit vývoj strojového učení, pokud chcete zlepšit své podnikání v následujících 3 směrech:

• Vytváření předpovědí a optimalizace operací. Podniky například používají modely velkých dat a strojového učení, aby předpovídaly, zda zákazník reaguje na marketingovou kampaň.

• Shrnutí a extrahování informací. Například strojové učení Natural Language Processing lze použít ke zvýraznění nejdůležitějších informací z právních dokumentů, které mohou být 10 000 stránek, a koncový uživatel bude muset přečíst pouze shrnutí - 40 stránek.

• Zvýšení bezpečnosti. Mnoho společností nyní používá modely AI a strojového učení k zajištění kybernetické bezpečnosti. To je zvlášť důležité pro finanční společnosti a fintechy. Kybernetická bezpečnost je však v současné době horkým tématem pro všechny oblasti, zejména ve světle GDPR a dalších regulačních a bezpečnostních standardů.

Tip 3:

Videa si můžete nejprve prohlédnout, spíše než dokončit přiřazení. Jakmile budete spokojeni s teorií strojového učení, můžete začít dělat úkoly. Python Implementace algoritmů jsou nejlepší

Zatímco dělám na volné noze, často se setkávám s lidmi, kteří jsou dobří s prvními dvěma body, ale bojují o psaní pythonových implementací. Prostě jim chybí znalosti pythonových balíčků a praxe nad nimi. Zde je několik zdrojů, které vám pomohou:

Tip 4. Nepodceňujte předzpracování a čištění dat

Předzpracování dat zabírá přibližně 80 procent. Neexistuje žádný automatický způsob, jak to udělat. Musíte sloučit mnoho datových tabulek a použít různé zdroje dat. Poté budou vědci s údaji moci hrát s modely a vybrat si, který z nich nejlépe odpovídá konkrétnímu obchodnímu cíli.

Čištění dat je klíčovou součástí předzpracování dat. Analyzuje data a identifikuje, zda je dostatečně dobrá pro použití v modelu strojového učení. Jeho klíčové cíle:

• Odstranění hlučných dat, která mohou přinést zavádějící výsledky.

• Zadání chybějících dat. Mělo by se však brát v úvahu, že chybějícími údaji mohou být samotné informace a má chybět.

Tip 5. Vyberte si mezi rozhraním Machine Learning API a vlastním vývojem

Společnosti, které si chtějí osvojit strojové učení, mohou jít dvěma způsoby: vyvinout vlastní řešení nebo použít API a služby takových společností, jako jsou Amazon, Microsoft, Google atd. Druhý způsob je nejjednodušší. Existuje však vážný kompromis - obětujete konfigurovatelnost a kontrolu systému. Například služba Amazon je opravena pouze na jednom modelu - logistická regrese. Vzhledem k tomu, schopnost vybrat si ten správný model je jedním z předpokladů úspěchu projektu strojového učení. Společnosti by tedy měly zadávat strojové učení do cloudu, pouze pokud mají velmi specifické a jednoduché úkoly.

Kromě toho, jak jsme již dříve uvedli, 80 procent strojového učení není o vyladění modelů, ale o přípravě dat tak, aby byla vhodná pro modely, a tuto část nemůžete zadávat například Amazonu.

Pokud tedy chcete něco složitějšího a nechcete obětovat flexibilitu, měli byste raději jít za svým vlastním vývojem (buď rozvíjet interně nebo externě).

Tip 6:

Pandas - knihovna pro zpracování dat v Pythonu

Pochopení podstaty lineární algebry

Numpy - numerická počítačová knihovna v Pythonu

Porozumění DeepLearningu neuronových sítí

Nejlepší DeepLearning MOOC na Coursera

Nyní jste tvrdě pracovali na sobě při učení konceptů hlubokého učení, chcete si vytvořit vlastní projekty a portfolio, abyste získali dobrou práci. Zde je seznam jednoduchých projektů, na kterých jsem v současné době pracoval.

Tip 7:

Klasifikace plemen psů (použití transferu Learning)

Optické rozpoznávání znaků (používá sekvenční modely)

Podívejte se a řekněte pomocí hlubokého učení

Zeptejte se sítě

Výměna obličeje pomocí DeepLearning

Hlasové klonování pomocí DeepLearning

Nakonec důležitý tip, který opravdu otestuje vaše programovací, matematické a datové dovednosti.

Tip 8. Najděte nejvhodnější odborníky pro váš vývoj strojového učení

Pokud jste se rozhodli pro vlastní vývoj strojového učení, musíte najít nejvhodnější odborníky pro svůj projekt.

Potřebujete následující odborníky na strojové učení

• Data Scientists pro nasazení algoritmů. Často používají knihovny z regálů.

• Specialisté NLP, aby s NLP udělali něco sofistikovaného

• Datoví inženýři pro vytváření velkých datových architektur pro projekt, zajištění škálovatelnosti systému, aby to bylo více jako výrobní věc

• Inženýři počítačového vidění, pokud potřebujete modely pro rozpoznávání obrázků

• Inženýři strojového učení, pokud musíte nasadit některé nejmodernější algoritmy (např. Pro posilování učení) a musíte provést nějaký výzkum specifický pro projekt.

• Inženýři rozpoznávání řeči, pokud potřebujete nějaké rozpoznávání řeči. Není však mnoho obchodních případů.

Tip 9:

Projekty nejen klonujte, ale také implementujte své vlastní architektury a hacky od nuly. Strojové učení je především o výzkumu, takže dobrý výzkum zvýší vaši důvěru.


Odpověď 6:

Strojové učení je jednou z nových technologií, která se objevuje v populárním vědomí transformujícím oblasti od spotřební elektroniky a zdravotnictví po maloobchod. To vedlo k intenzivní zvědavosti o tomto oboru mezi mnoha studenty a pracovníky z oboru.

Python je jedním z nejčastěji používaných jazyků pro vytváření systémů strojového učení. Python představí začátečníka, jak aplikovat strojové učení, se zaměřením více na techniky a metody než na statistiku těchto metod.

Python vždy implementuje širokou škálu úloh strojového učení, předzpracování, křížové validace a vizualizačních algoritmů pomocí různých konceptů. Tento

Kurz strojového učení python

poskytuje všechny náležitosti pro praktické implementace algoritmu strojového učení pomocí úžasného jazyka, jako je Python.

Python je univerzální interpretovaný, interaktivní, objektově orientovaný a programovací jazyk na vysoké úrovni. Python byl jedním z předních, flexibilních a výkonných jazyků s otevřeným zdrojovým kódem, který se snadno naučí, snadno se používá a má výkonné knihovny pro manipulaci a analýzu dat.

Kurz strojového učení byl navržen tak, aby poskytoval podrobné znalosti různých technik strojového učení, které lze provádět.

Python je jedním z programovacích jazyků, který se pro vědu o datech stává stále populárnějším. Společnosti na celém světě používají Python ke shromažďování informací ze svých dat a získávání konkurenční výhody. Prozkoumejte základy jazyka Python, včetně základní syntaxe, proměnných a typů, následujícími způsoby:

  • Vytvářejte a manipulujte s pravidelnými seznamy Pythonu
  • Používejte funkce a importujte balíčky
  • Sestavte Numpy pole a provádějte zajímavé výpočty
  • Vytvářejte a přizpůsobujte grafy na reálných datech
  • Dopřejte svým skriptům kontrolní tok

NearLearn poskytuje online školicí kurz, který je ideální příležitostí pro ty, kteří hledají Kvalitní a strukturovaný Program strojového učení s pythonem, který začíná samotnými základy a zahrnuje pokročilé koncepty. Jeho online výuka pedagogická fakulta je nejlepší a program zahrnuje Real-time. Třída Near Learn má obohacený profesionální tým.Near and Learn Pvt Ltd je jedním z předních vzdělávacích institucí poskytujících

nejlepší strojové učení python online kurz bangalore w

Zde byste se učili kompletní kurz AI a Machine Learning od nuly s praktickými znalostmi. Near Learn je společnost založená na rozvoji dovedností, která pomáhá lidem a organizaci transformovat získat skutečné a trvalé výhody. Blízko Naučte se nabídku Školení v učebně, Živé online školení vedené instruktory a firemní školení.

Cílem tohoto kurzu je naučit všechny základy programování počítačů pomocí Pythonu. Pokrývá základy toho, jak člověk sestavuje program z řady jednoduchých pokynů v Pythonu. Kurz nemá žádné předpoklady a vyhýbá se kromě nejjednodušší matematiky. V tomto kurzu se může naučit kdokoli, kdo má zkušenosti s počítačem.

pro další dotazy kontaktujte: + 91-9739305140

E-mailem:

[email protected]


Odpověď 7:

Strojové učení je pole, které používá řadu algoritmů, které se učí z poskytnutých údajů, a pak pomáhá při vytváření přesných předpovědí. V praxi to znamená, že vkládáme data do algoritmu strojového učení a poté je využíváme k předpovídání toho, co by se mohlo v budoucnu stát.

Zde je několik bodů, které se krátce zabývají tím, jak se naučit Python do hloubky a zvládnout to samé:

Porozumění základům:

Nejprve je důležité pochopit celý pracovní postup v Pythonu a vybudovat v tom silný základ. Dobrá znalost základní syntaxe, funkcí, smyček, třídy a objektů je velmi nezbytná pro posun vpřed.

Učení balíčků a modulů:

V Pythonu je k dispozici velké množství knihoven a modulů. Je nutné zvládnout je na základě vaší odborné domény. Všichni mají své případy použití a funkce v různých doménách. Například knihovny založené na strojovém učení v Pythonu zahrnují Pandas, Numpy, Scikit-learn, Scipy, Matplotlib atd. Knihovny založené na Data Analytics zahrnují Bokeh, Matplotlib, PyPlot atd., UI / UX navrhování zahrnuje PyQt; Knihovny pro vývoj webu zahrnují Bottle, Django, Flask atd., Mezi webové platformy Scraping patří BeautifulSoup, Request, Urllib atd., Framework Deep Learning zahrnuje TensorFlow, knihovnu pro zpracování přirozeného jazyka včetně NLTK, knihovnu ComputerVision zahrnují OpenCV a mnoho dalších.

Důležité knihovny v Pythonu

Toto je dokumentace několika nejdůležitějších knihoven v Pythonu, což je velmi důležité v oblasti datové vědy. S nimi se naučíte, jak používat knihovny a kódovat.

  • Dokumentace Pandas
  • Dokumentace Scipy
  • Dokumentace statistik
  • Dokumentace Scikit-Learn
  • Matplotlib dokumentace
  • Numpy dokumentace

Postupujte podle oficiální dokumentace:

Oficiální dokumentace Pythonu je nejlepší, pokud se chcete dozvědět více o použitých knihovnách, a pokud máte jakékoli pochybnosti, vaše pochybnosti budou objasněny stejným způsobem. Je to jeden z nejlepších zdrojů, jak s ním pokračovat.

Bývejte v ekosystému Python:

Python má velmi uživatelsky přívětivé rozhraní s dostupností nastavení prostředí lokálně pomocí notebooků Anaconda a Jupyter. Přes které jsou pro Python nějaké skvělé IDE, jako je PyCharm. Znalosti o PIP - Python Package Installer a Python and Anaconda prompt jsou skvělý způsob, jak postupovat vpřed.

Python 100denní výzva:

Vezměte 100denní výzvu Pythonu, ve které v Pythonu kódujete a každý den vyřešte možná globální projekt nebo malé problémy v reálném světě. Scrapujte web nebo analyzujte data nebo vytvořte prediktivní model nebo regresní model nebo vytvořte webovou stránku; věnujte 1-2 hodiny každý den kódování v Pythonu a za 100 dní budete v Pythonu stejně zdatní jako většina průmyslových odborníků.

Pokud jste úplný začátečník a chcete jít na kurz, který vás připraví od nuly,

pak zvažte absolvování kurzu Python Digital Vidya

jak se budete učit od začátku bez znalosti předprogramování v Pythonu.

Snad to pomůže.