Szkolenia Python

Tworzenie REST API w Pythonie polega na projektowaniu endpointów HTTP, walidacji danych wejściowych i wyjściowych, obsłudze błędów oraz integracji z bazą danych i mechanizmami uwierzytelniania. Warto sprawdzić routing, statusy HTTP, schematy danych, wersjonowanie API i sposób testowania żądań przed wdrożeniem. Przykładem są aplikacje budowane w FastAPI lub Flask z użyciem ORM i dokumentacji OpenAPI.
Jeśli chcesz przećwiczyć to krok po kroku, zobacz: Python - tworzenie REST API (PYTHON/RESTAPI).

Frameworki webowe w Pythonie różnią się zakresem wbudowanych mechanizmów, sposobem organizacji projektu i typowymi zastosowaniami backendowymi. Przy wyborze warto porównać obsługę ORM, walidację danych, wydajność, podejście do asynchroniczności oraz łatwość budowy API i paneli administracyjnych. Django sprawdza się w większych aplikacjach z rozbudowanym zapleczem, Flask daje dużą swobodę architektoniczną, a FastAPI dobrze wspiera nowoczesne REST API z typowaniem.
Ten temat przerabiamy praktycznie na szkoleniu: Python - tworzenie webaplikacji w Django (PYTHON/DJANGO).

Testowanie aplikacji Python obejmuje testy jednostkowe, integracyjne, dymne oraz analizę statyczną, a pipeline CI/CD porządkuje ich automatyczne uruchamianie przy każdej zmianie w repozytorium. Należy sprawdzić strategię uruchamiania testów, kontrolę zależności, migracje bazy danych, raportowanie jakości i sposób wdrażania na kolejne środowiska. Przykładowy workflow łączy repozytorium Git, lintery, testy automatyczne, budowanie artefaktów i wdrożenie kontenerów.
Dokładnie ten zestaw narzędzi i workflow ćwiczymy podczas szkolenia: Python DevOps - Continuous Integration, Delivery, Deployment (PYTHON/DEVOPS).

Optymalizacja kodu w Pythonie zaczyna się od pomiaru, czyli profilowania CPU i pamięci oraz analizy złożoności obliczeniowej i pamięciowej. Trzeba sprawdzić, które fragmenty wykonują się najdłużej, czy problem wynika z algorytmu, alokacji pamięci, operacji I/O czy nieefektywnych pętli, a dopiero potem wprowadzać refaktoryzację lub współbieżność. Przykładem są porównania microbenchmarków, analiza działania GIL i zastępowanie kosztownych operacji bardziej wydajnymi strukturami lub podejściami.
To jedno z zagadnień omawianych podczas szkolenia: Python - optymalizacja, refactoring i tuning wydajności (PYTHON/OPT).

Analiza danych w Pythonie zwykle obejmuje wczytywanie danych z plików i baz, oczyszczanie rekordów, transformacje tabelaryczne, agregacje oraz wizualizację wyników. W praktyce warto sprawdzić typy danych, wartości puste, indeksy, operacje groupby, łączenie zbiorów oraz dobór wykresów do charakteru danych. Przykładem są analizy CSV, JSON lub SQL w DataFrame z późniejszym przygotowaniem wykresów liniowych, słupkowych albo pudełkowych.
Wersję warsztatową (z konfiguracją i przykładami) znajdziesz w programie szkolenia: Python Pandas - analiza i wizualizacja danych (PYTHON/PANDAS).

Systemy RAG w Pythonie łączą przetwarzanie dokumentów, generowanie embeddingów, wyszukiwanie semantyczne i generowanie odpowiedzi przez modele językowe. Należy sprawdzić strategię chunkingu, dobór modeli embeddingowych, strukturę bazy PostgreSQL z pgvector, jakość retrieval oraz sposób wystawienia endpointów API i ewaluacji odpowiedzi. Przykładem jest mikroserwis FastAPI, który pobiera dane z PDF, zapisuje embeddingi, wykonuje similarity search i zwraca odpowiedzi wraz ze źródłami.
Ten temat przerabiamy praktycznie na szkoleniu: Python RAG od podstaw do produkcji: mikroserwis API i baza wektorowa PostgreSQL (PYTHON/RAG).