Programowanie w języku Python
Informacje ogólne
Kod przedmiotu: | EM0-DI>PJP | ||||||||||||
Kod Erasmus / ISCED: | (brak danych) / (brak danych) | ||||||||||||
Nazwa przedmiotu: | Programowanie w języku Python | ||||||||||||
Jednostka: | Katedra Elektrotechniki i Podstaw Informatyki | ||||||||||||
Grupy: |
Przedmioty 2 sem. - elektromobilność, st. I-go stopnia (inż.) |
||||||||||||
Punkty ECTS i inne: |
2.00
|
||||||||||||
Język prowadzenia: | polski | ||||||||||||
Pełny opis: |
Moduł poświęcony jest prezentacji podstawowych i zaawansowanych technik programowania w języku Python. Moduł zawiera szerokie podstawy języka i środowiska programowania. Prezentuje metody sterowania przebiegiem programu, podstawowe i złożone typy danych, wyrażenia, funkcje, moduły i klasy. Przedstawia techniki programowania strukturalnego i obiektowego. Prezentuje podstawy tworzenia graficznego interfejsu użytkownika i aplikacji. Prezentuje wybrane biblioteki wykorzystywane do graficznego przedstawiania danych i kreślenia wykresów. Treści kształcenia - Środowiska do pracy z językiem Python (konsola/interpretery). Wprowadzenie do Pythona. Składnia języka, notacja. Podstawowe typy danych, typy liczbowe, literały, operatory i wyrażenia. - Wyrażenia warunkowe, pętle, iteratory. Łańcuchy, listy, krotki, zbiory i słowniki. Typy modyfikowalne i niemodyfikowalne. - Funkcje, skrypty i moduły, biblioteki, pakiety. Praca z plikami. Łańcuchy znaków i ich formatowanie. - Zaawansowane zagadnienia związane z funkcjami. Generatory, iteratory, Konstrukcje lambda. Zaawansowane użycie list i słowników. Obsługa wyjątków. - Podstawy obiektowości. Dostęp do składowych klasy, metody specjalne, dekoratory. Dziedziczenie, polimorfizm. - Graficzny interfejs użytkownika, komponenty interfejsu. Budowa aplikacji wykorzystujących biblioteki Tkinter, Qt. - Grafika w Pythonie. Biblioteki wykorzystywane do graficznego przedstawiania danych i kreślenia wykresów. - Dobre praktyki programowania w Pythonie. |
||||||||||||
Literatura: |
Literatura wykorzystywana podczas zajęć wykładowych Miles Rob - Python Zacznij programować - Helion. - 2018 Mark Lutz - Python. Wprowadzenie - Helion. - 2014 Dawson Michael - Python dla każdego - Helion. - 2014 Literatura wykorzystywana podczas zajęć ćwiczeniowych/laboratoryjnych/innych Gawryszewski Marek, Kierzkowski Andrzej - Python Ćwiczenia praktyczne - Helion. - 2017 Matthes Eric - Python. Instrukcje dla programisty - Helion. - 2016 Literatura do samodzielnego studiowania Downey Allen B. - Myśl w języku Python! Nauka programowania - Helion. - 2017 Luciano Ramalho - Zaawansowany Python - Promise. - 2015 Literatura uzupełniająca David Beazley, Brian K. Jones - Python. Receptury - OREILLY. - 2014 Martin R.C. - Czysty kod. Podręcznik dobrego programisty - Helion. - 2014 Shaw Zed A. - Python 3 - Helion. - 2018 Publikacje naukowe A. Czmil; G. Drałus; D. Mazur - Automatic Detection and Counting of Blood Cells in Smear Images Using RetinaNet - . - 2021 G. Dec; G. Drałus; B. Kwiatkowski; D. Mazur - Forecasting Models of Daily Energy Generation by PV Panels Using Fuzzy Logic - . - 2021 G. Drałus; T. Rak - Prognozowanie w horyzoncie jednej godziny produkcji energii przez panel fotowoltaiczny - OFICYNA WYDAWNICZA POLITECHNIKI RZESZOWSKIEJ. - 2020 G. Drałus; T. Rak - Programowanie równoległe w hybrydowym środowisku MPI i OpenMP na klastrze serwerów - OFICYNA WYDAWNICZA POLITECHNIKI RZESZOWSKIEJ. - 2020 G. Dec; G. Drałus; D. Mazur - One day ahead forecasting of energy generating in photovoltaic systems - . - 2018 G. Drałus; L. Gołębiowski; M. Gołębiowski; D. Mazur - One day-ahead forecasting at different time periods of energy production in photovoltaic systems using neural networks - IEEE. - 2018 G. Drałus; Z. Gomółka - Prognozowanie produkcji energii elektrycznej w systemach fotowoltaicznych - . - 2017 G. Drałus; Z. Gomółka; B. Twaróg; E. Żesławska - Rejestracja i analiza zjawisk szybkozmiennych - . - 2017 G. Drałus; Z. Gomółka; D. Mazur; A. Smoleń - Seasonal models of energy forecasting in photovoltaic systems using artificial neural networks - Lodz University of Technology Press. - 2017 G. Drałus - Neural networks in modeling of industrial processes - Szkoła Główna Gospodarstwa Wiejskiego w Warszawie. - 2016 G. Drałus; D. Mazur - Cascade complex systems - Global modeling using neural networks - IEEE- INSTITUTE OF ELECTRICAL AND ELECTRONICS ENGINEERS. - 2016 |
||||||||||||
Efekty uczenia się: |
|
Zajęcia w cyklu "Semestr letni 2021/22" (zakończony)
Okres: | 2022-02-26 - 2022-06-21 |
Przejdź do planu
PN WYK
WT ŚR CZ LAB
LAB
PT |
Typ zajęć: |
Laboratorium, 15 godzin
Wykład, 30 godzin
|
|
Koordynatorzy: | Grzegorz Drałus | |
Prowadzący grup: | Grzegorz Drałus | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: | Zaliczenie |
Zajęcia w cyklu "Semestr letni 2022/23" (zakończony)
Okres: | 2023-02-25 - 2023-06-21 |
Przejdź do planu
PN WYK
WT LAB
ŚR CZ LAB
PT |
Typ zajęć: |
Laboratorium, 15 godzin
Wykład, 30 godzin
|
|
Koordynatorzy: | Grzegorz Drałus | |
Prowadzący grup: | Grzegorz Drałus | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: | Zaliczenie |
Zajęcia w cyklu "Semestr letni 2023/24" (w trakcie)
Okres: | 2024-02-24 - 2024-06-21 |
Przejdź do planu
PN WYK
WT ŚR CZ LAB
LAB
PT |
Typ zajęć: |
Laboratorium, 15 godzin
Wykład, 30 godzin
|
|
Koordynatorzy: | Grzegorz Drałus | |
Prowadzący grup: | Grzegorz Drałus | |
Lista studentów: | (nie masz dostępu) | |
Zaliczenie: | Zaliczenie |
Właścicielem praw autorskich jest Politechnika Rzeszowska im. Ignacego Łukasiewicza.