Python programozó alaptanfolyam + SQL haladó adatbázis kiegészítő képzés

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 felhasználási területei

• Python webfejlesztésben, automatizálásban, adatelemzésben és mesterséges intelligenciában

• A Python erősségei és korlátai

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 – Változók, adattípusok és kifejezések

• Változók és értékek

• Változók létrehozása

• Értékadás és inicializálás

• Változók új értékkel való ellátása

• Dinamikus típusosság

• Literálok és kifejezések

Alapvető adattípusok

• int

• float

• complex

• bool

• str

• None

• Adattípusok ellenőrzése

• type()

• isinstance()

• Típuskonverziók

Operátorok és számítások

• 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 – 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 jelentősége 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

Objektumok kezelése

• 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()

Gyakorlás

• 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 programozási szintaxist tanuljon, hanem kezdjen el Pythonban gondolkodni.

7. modul – 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-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

A cél ezen eszközöknél elsősorban annak megértése, hogy mire valók, mikor érdemes őket használni, és hogyan illeszthetők be egy jól strukturált Python programba.

9. modul – 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 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

• 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 – 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

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?

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

13. modul – NumPy és numerikus adatok kezelése

• A NumPy szerepe

• 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.

14. modul – Pandas és DataFrame-ek

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 tisztítás

• Filtering

• Boolean indexing

• Hiányzó értékek

• isna()

• dropna()

• fillna()

• Duplikációk

• drop_duplicates()

• Adattípusok módosítása

• Dátumok kezelése

• String oszlopok kezelése

• Outlierek alapjai

• Adattisztítási stratégia

15. modul – Pandas: transzformáció, aggregáció és táblák 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.

16. modul – SQL és adatbázisok

Adatbázis-alapok

• Mi az adatbázis?

• Relációs adatmodell

• Táblák

• Rekordok

• Mezők

• Primary key

• Foreign key

• Táblák közötti kapcsolatok

SQL

• SELECT

• WHERE

• ORDER BY

• GROUP BY

• HAVING

• JOIN

• INSERT

• UPDATE

• DELETE

• SQL és Pandas gondolkodás összehasonlítása

Adatbázisok 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 → elemzés.

17. modul – ORM és reguláris kifejezések

ORM

• Az ORM fogalma

• Objektumok és adatbázistáblák kapcsolata

• ORM előnyei és hátrányai

• ORM és SQL összehasonlítása

• Modellek és kapcsolatok

• Adatok létrehozása ORM segítségével

• Lekérdezés, módosítás és törlés

• 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

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

• 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.

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 hallgatók egy teljes, end-to-end 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 tanfolyam során megszerzett Python-ismeretek összefoglalása

• Szakmai továbblépési lehetőségek

Továbblépési irányok

A képzés során megszerzett alapokra építve a hallgató több irányban is továbbfejlesztheti tudását:

• Haladó Python

• Haladó Pandas

• Statisztikai adatelemzés

• Machine Learning

• Mesterséges intelligencia

• Jupyter

• Streamlit

• Automatizáció

• FastAPI

• Cloud technológiák

• Haladó adatbázis-kezelés

• Data Engineering

Gyakorlati oktatás

A 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.

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-témákból áll, hanem egy kezdő szinttől a gyakorlati Python-programozáson keresztül az adatelemzésig és Data Science alapokig vezető, egységes képzési folyamatot alkot.

A Python programozás több különböző területen is alkalmazható, ezért a Python alapjainak elsajátítása többféle további szakmai irány kiindulópontja lehet. A küldött tematika szerint a Python használható többek között webfejlesztésben, automatizálásban, adatelemzésben, mesterséges intelligenciához kapcsolódó feladatokban, valamint különböző szkriptek készítésére.

A képzés során megszerzett programozási alapok mellett a résztvevők olyan ismeretekkel is találkoznak, amelyek több technológiai területhez kapcsolódnak. Az SQL és az adatbázis-kezelés megismerése például lehetőséget ad arra, hogy a Python-kód és az adatbázisok működésének kapcsolatát is megértsék. A tematika foglalkozik relációs adatbázisokkal, SQL-lekérdezésekkel, JOIN-okkal, PostgreSQL-lel, Pythonból történő adatbázis-kapcsolódással, valamint paraméterezett lekérdezésekkel és az SQL injection elleni védelemmel is.

A Pythonhoz kapcsolódó szakmai lehetőségeket az is szélesíti, hogy a tananyagban megjelenik a Git és GitHub használata. A résztvevők megismerkednek a verziókezelés alapjaival, a branchekkel, a merge-ekkel, a README-vel és a csapatmunkához kapcsolódó fejlesztési gyakorlattal. Ezáltal a képzés nem kizárólag magának a programozási nyelvnek a használatára koncentrál, hanem olyan fejlesztési eszközöket is bemutat, amelyek a projektalapú munkához kapcsolódnak.

A képzés gyakorlati jellege szintén fontos része a szakmai fejlődésnek. A tananyag végén a résztvevők egy összetettebb projekten dolgoznak, amely során a korábban megismert programozási ismereteket egy nagyobb feladatban alkalmazhatják. A projekt része a kód áttekinthetősége, a dokumentáció, a megfelelő projektstruktúra, valamint a kód átnézése és bemutatása is.

A Python-alapú tudás később az adatokkal való munkában is továbbépíthető. A tematika olyan további területeket is megjelöl, mint az advanced Pandas, a statisztika, a Machine Learning és az adatelemzéshez kapcsolódó eszközök. A Python mellett az API-k használata, az adatok feldolgozása, a fájlok kezelése és az adatbázisokkal való együttműködés is szerepel a tananyagban, így a megszerzett alapok több irányban továbbfejleszthetők.

A képzés tehát olyan Python-alapokat épít fel, amelyekre később többféle szakmai irányban lehet további tudást építeni. A Python programozás, az adatkezelés, az SQL és adatbázisok, az API-k, a verziókezelés és a további Pythonhoz kapcsolódó technológiák együtt olyan tudásbázist alkotnak, amelyből a résztvevő a későbbiekben a saját érdeklődésének megfelelő irányban folytathatja a fejlődést.