Python w Laboratorium

Status

Kurs jest w przygotowaniu. Strona pełni obecnie funkcję informacyjną: pokazuje planowany zakres przedmiotu, odbiorców i sposób pracy. Materiały dydaktyczne, notebooki i zadania zostaną dodane później.

O kursie

Python w Laboratorium to kurs o praktycznym wykorzystaniu języka Python w pracy z danymi eksperymentalnymi. Główny nacisk jest położony na przejście od surowych plików pomiarowych do uporządkowanej analizy numerycznej, wizualizacji wyników oraz prostych procedur analizy obrazów.

Kurs ma pokazywać Python jako narzędzie pracy badawczej: do automatyzacji zadań, ekstrakcji danych, kontroli poprawności obliczeń, przygotowania wykresów i budowania powtarzalnych workflow analitycznych.

Dla kogo

Kurs ma dwa warianty organizacyjne:

• Studia magisterskie: studenci fizyki II stopnia, 1 lub 2 rok.
• Szkoła doktorska: doktoranci wykorzystujący analizę danych, narzędzia obliczeniowe i wizualizację w pracy badawczej.

Wymagane są podstawy programowania w dowolnym języku, podstawy statystyki i analizy matematycznej oraz gotowość do samodzielnej pracy z dokumentacją bibliotek naukowych.

Zakres

Planowany zakres obejmuje:

• specyfikę Pythona w zastosowaniach badawczych
• dobre praktyki tworzenia kodu: czytelność, modularyzację, obsługę wyjątków i debugowanie
• organizację danych, pracę z systemem plików i ekstrakcję danych z formatów tekstowych, binarnych, CSV oraz JSON
• algebrę liniową, operacje na tablicach wielowymiarowych i dopasowywanie modeli do danych eksperymentalnych
• tworzenie wykresów i wizualizacji danych
• obraz cyfrowy jako macierz danych pomiarowych
• podstawowe techniki przetwarzania obrazów: filtrację, operacje morfologiczne, segmentację i detekcję krawędzi
• zastosowanie wybranych metod uczenia maszynowego do detekcji i klasyfikacji obiektów w materiale wizyjnym

Forma pracy i zaliczenie

Kurs jest planowany jako wykład specjalistyczny w semestrze zimowym, w wymiarze 30 godzin i 3 ECTS.

Zaliczenie ma opierać się na zestawach zadań problemowych. Zadania będą polegały na samodzielnym opracowaniu skryptów rozwiązujących konkretne problemy analizy danych lub wizji komputerowej na podstawie dostarczonych plików z danymi pomiarowymi albo obrazami.

Literatura

Podstawowe źródła:

• J. VanderPlas, Python Data Science Handbook, O’Reilly Media.
• A. Géron, Uczenie maszynowe z użyciem Scikit-Learn i TensorFlow, Helion.
• A. Sweigart, Automate the Boring Stuff with Python, No Starch Press.
• J. M. Stewart, Python for Scientists, Cambridge University Press.
• oficjalna dokumentacja omawianych bibliotek.

Last updated

2026-05-05