Kurso-aprasymas · Darbo pradžios portalas

TOP Kursuok Dieniniai Vakariniai

Pažangios duomenų analitikos mokymai naudojant programinį kodą - Python, SQL ir DAX

Šis kursas suteiks jums įrankius ir žinias, reikalingas efektyviai tvarkyti, analizuoti ir vizualizuoti duomenis. Su SQL galėsite manipuliuoti duomenimis duomenų bazėse, o Power BI padės vizualizuoti ir analizuoti duomenis. Python leis jums automatizuoti duomenų tvarkymą ir kurti dirbtinio intelekto modelius. Tai įdomus ir naudingas kelias į duomenų analitikos pasaulį! Baigę šiuos kursus galėsite dirbti:

Duomenų analitikas (angl. Data Analyst)
Verslo duomenų analitikas (angl. Business Analyst)
Sistemų analitikas (angl. System Analyst)
Finansų analitikas (angl. Finance Analyst)
Duomenų mokslininkas (angl. Data Scientist)
Duomenų inžinierius (angl. Data Engineer)
Konsultantas duomenų analizės srityje (angl. Data Analytics Consultant)

Kurso kaina: 1050 Eur.
Registruokis "Kursuok" ir gauk 500 Eur vertės finansavimą.
Nori žinoti kaip? Susisiek

Kontaktinio mokymo trukmė: 75 ak. val.
Savarankiško darbo trukmė: 85 ak. val.

Registruotis į pilną kursą Atlikti testą

Kurso programa

Python

SQL

Power BI

Jei norite išmokti, kaip naudoti Python - vieną iš populiariausių ir lanksčiausių programavimo kalbų, kuri leidžia atlikti pažangią duomenų analizę ir kurti įvairius projektus, šie kursai yra skirti jums! 💯

Šie kursai yra pritaikyti suaugusiems žmonėms, kurie nori persikvalifikuoti ir neturi jokios programavimo patirties ar supratimo apie programavimo kalbas. Jūs susipažinsite su programavimo pasauliu, skirtingomis programavimo kalbomis, algoritmų principais, dvejetainių pasauliu ir išmoksite Python programavimo nuo nulio. Taip pat, jūs išmoksite, kaip praktiškai taikyti programinį kodą, naudoti Python kodą skirtingose programavimo aplinkose, kurti analitinius projektus naudojant Python algoritmus ir populiariausias bibliotekas, pvz., Pandas, Numpy, Scipy, Matplotlib ir kt. Be to, jūs išmoksite, kaip integruoti Python kodą į skirtingus įrankius, pvz., Power BI, Excel, SQL ir kt. 🚀

Po kursų jūs galėsite:

Suprasti programavimo kalbų ir algoritmų pagrindus ir skirtumus
Naudoti Python ir jo pagrindines sintaksės taisykles, duomenų tipus, kintamuosius, sąlygas, ciklus, funkcijas, klases ir modulius
Atlikti duomenų analizę ir vizualizaciją naudodami Python bibliotekas, tokias kaip Pandas, Numpy, Scipy, Matplotlib ir kt.
Kurti analitinius projektus naudodami Python algoritmus, pvz., statistikos, koreliacijos, regresijos, klasterizacijos, klasifikacijos ir kt.
Integruoti Python kodą į skirtingus įrankius, pvz., Power BI, Excel, SQL ir kt.

Kursai vyksta 36 valandas, mišriose grupėse, gyvai ir nuotoliu. Jūs galėsite pasirinkti jums patogią mokymosi formą ir laiką. Kursus veda kvalifikuoti ir patyrę dėstytojai, kurie turi ilgametę patirtį praktiškai naudojant Python ir duomenų analizę. Jie padės jums įveikti bet kokius sunkumus ir atsakys į jūsų klausimus. 🙋‍♂️🙋‍♀️

Užbaigę kursus, jūs gausite kurso baigimo sertifikatą, kuris patvirtins jūsų Python ir pažangios duomenų analizės žinias ir gebėjimus. Taip pat, jūs įgysite galimybę užbaigus pilną duomenų analitikos kursą įgyti neformaliojo švietimo laipsnį, kuris padės jums karjeros plėtroje. 🎓

Nesivaržykite ir užsiregistruokite dabar! Vietų skaičius ribotas, o Python pažangios duomenų analizės kursai studentams yra puiki investicija į jūsų ateitį! 💰

Modulio temos

Python pagrindai

Programavimo kalbų pagrindai
Programavimo kalbų pagrindai yra esminės sąvokos ir konceptai, kurie leidžia kurti kompiuterinius programas.
Štai keletas svarbiausių dalykų, kuriuos reikia žinoti:
1. Sintaksė: Programavimo kalbos turi savo taisykles ir sintaksę, kurią reikia laikytis. Tai apima teisingą simbolių naudojimą, komandų struktūrą ir taisykles.
2. Kintamieji: Kintamieji yra vardai, kuriuos naudojame saugoti duomenims. Jie gali būti skaičiai, tekstas arba kitos reikšmės.
3. Operatoriai: Operatoriai leidžia atlikti veiksmus su kintamaisiais, pavyzdžiui, sudėti, atimti, dauginti arba dalinti.
4. Sąlygos sakiniai: Sąlygos sakiniai leidžia programoms priimti sprendimus. Pavyzdžiui, “jei” tam tikra sąlyga yra teisinga, tada vykdyti tam tikrą kodą.
5. Ciklai: Ciklai leidžia kartoti tam tikrą kodą. Pavyzdžiui, “for” ciklas gali leisti atlikti veiksmus tam tikrą kartų skaičių.
6. Funkcijos: Funkcijos yra perpanaudojamos kodinės blokai, kurie atlieka tam tikrus veiksmus. Jos padeda išskirti kodą ir padaryti jį tvarkingesnį.
7. Komentarai: Komentarai yra teksto dalys, kurios nėra vykdomos, bet padeda paaiškinti kodą. Jie yra naudingi programuotojams ir kitoms asmenims, kurie skaitys kodą.
Tai tik pradinis sąrašas, bet šie pagrindai yra esminiai norint suprasti ir kurti programavimo kalboje. Štai keletas skirtingų programavimo kalbų ir trumpi jų aprašymai.
- Python: Python yra lengva ir skaitoma programavimo kalba, kuri tinka pradedantiesiems. Ji naudojama duomenų analizei, interneto svetainių kūrimui ir automatizavimui.
- Java: Java yra plačiai naudojama kalba, veikianti daugelyje platformų. Ji naudojama įmonių sistemoms, mobilioms programoms ir interneto svetainėms.
- JavaScript: JavaScript yra kliento pusės kalba, skirta interneto naršyklėms. Ji leidžia kurti dinaminį turinį ir interaktyvias svetaines.
- C++: C++ yra bendros paskirties kalba, naudojama programoms ir operacinėms sistemoms. Ji yra galinga ir naudojama daugelyje sričių.
- C#: C# yra Microsoft sukurtas kalbos variantas, naudojamas Windows programoms. Ji yra objektinė ir turi gausybę bibliotekų.
- Ruby: Ruby yra lengva ir elegantiška kalba, naudojama interneto svetainėms ir programoms kurti.
- PHP: PHP yra serverio pusės kalba, skirta interneto svetainėms. Ji yra plačiai naudojama ir turi daugybę funkcijų.
- Swift: Swift yra Apple sukurtas kalbos variantas, naudojamas iOS ir macOS programoms. Ji yra moderni ir greita.
- Go (Golang): Go yra nauja kalba, kuri yra greita, paprasta ir puikiai tinka interneto programavimui.
- SQL: SQL yra kalba, skirta duomenų bazių valdymui. Ji naudojama duomenų paieškai, atnaujinimui ir analizei.
Kiekviena iš šių kalbų turi savo privalumų ir naudojimo sričių, todėl verta išmokti bent kelias iš jų, priklausomai nuo jūsų interesų ir poreikių.
Kodo redaktoriai
Python kodo redaktoriai yra įrankiai, skirti kodui rašyti ir redaguoti. Jie padeda programuotojams efektyviau kurti ir tvarkyti Python programinį kodą. Štai keletas gerai žinomų Python kodo redaktorių:
1. PyCharm: Tai galinga integruota kūrimo aplinka (IDE), sukurta „JetBrains“. PyCharm turi daug funkcijų, įskaitant kodų pynimą, automatinius užbaigimus, testavimą ir derinimą. Tai puikus pasirinkimas profesionalams, kurie dirba su dideliais projektais.
2. Visual Studio Code (VS Code): Tai nemokamas kodo redaktorius, kuris palaiko Jupyter Notebook integraciją. VS Code leidžia kurti, atidaryti ir išsaugoti Jupyter Notebook failus. Jis taip pat suteikia galimybę vykdyti kodo ląsteles, peržiūrėti kintamuosius ir derinti kodą.
3. Jupyter Notebook: Tai atvirojo kodo projektas, leidžiantis derinti Markdown tekstą ir vykdomą Python šaltinio kodą viename dokumente. Jupyter Notebook yra puikus pasirinkimas mokymuisi, eksperimentavimui ir duomenų analizei. Jis leidžia rašyti ir vykdyti kodą ląstelėmis, pridėti aprašymus ir vizualizacijas.
Kiekvienas iš šių redaktorių turi savo privalumų ir yra tinkamas skirtingiems poreikiams. PyCharm yra galingas ir profesionaliems projektams, VS Code yra universalus ir palaiko Jupyter Notebook, o Jupyter Notebook yra puikus mokymuisi ir eksperimentavimui.
Pagrindinės Python funkcijos
Python pagrindinės (angl. Built-In) funkcijos yra funkcijos ir tipai, kurie yra įdiegti į Python interpretatorių ir visada prieinami. Šios funkcijos yra esminės programavime ir naudojamos įvairiose situacijose. Štai keletas svarbiausių Python funkcijų:

1. Aritmetiniai funkcijos:
- abs(x): Grąžina skaičiaus absoliutinę reikšmę.
- divmod(a, b): Grąžina dalybos liekaną ir sveikąją dalį.
- pow(x, y): Pakelia x laipsniu y.
- round(number, ndigits): Apvalina skaičių iki nurodyto skaitmenų skaičiaus.
2. Teksto funkcijos:
- len(s): Grąžina objekto ilgį (pvz., eilutės ar sąrašo).
- str(object): Konvertuoja objektą į teksto eilutę.
- ord(c): Grąžina simbolio ASCII kodą.
3. Sąrašo funkcijos:
- max(iterable): Grąžina didžiausią reikšmę iš sąrašo.
- min(iterable): Grąžina mažiausią reikšmę iš sąrašo.
- sum(iterable): Grąžina sąrašo elementų sumą.
4. Žodyno funkcijos:
- dict(): Sukuria naują žodyną.
- keys(): Grąžina žodyno raktus.
- values(): Grąžina žodyno reikšmes.
5. Kitos funkcijos:
- type(object): Grąžina objekto tipą.
- help(object): Suteikia pagalbos informaciją apie objektą.
- input(prompt): Grąžina vartotojo įvestį.
Šios funkcijos leidžia programuotojams efektyviai manipuliuoti duomenimis ir yra esminės Python kalboje.
Python duomenų tipai
Python duomenų tipai yra pagrindinės struktūros, kurios leidžia programuotojams saugoti ir manipuliuoti informacija. Šie tipai nurodo, kaip duomenys yra organizuoti ir kaip su jais galima atlikti veiksmus. Štai keletas svarbiausių Python duomenų tipų:

1. Tekstinis (str): Tai eilutė simbolių, pvz., teksto ar simbolių rinkinys. Pavyzdžiui: "Labas, pasauli!".
2. Skaičius (int, float, complex):
- int: Sveikasis skaičius, pvz., 42.
- float: Slankiojo kablelio skaičius, pvz., 3.14.
- complex: Kompleksinis skaičius, pvz., 2 + 3j.
3. Eilės (list, tuple, range):
- list: Keičiamas sąrašas elementų, pvz., [1, 2, 3].
- tuple: Nekeičiamas sąrašas elementų, pvz., (1, 2, 3).
- range: Skaičių seka, pvz., range(0, 10).
4. Kartografavimo (dict): Raktų ir reikšmių porų rinkinys, pvz., {'vardas': 'Jonas', 'amžius': 30}.
5. Rinkinių (set, frozenset):
- set: Unikalių elementų rinkinys, pvz., {1, 2, 3}.
- frozenset: Nekeičiamas set, pvz., frozenset({1, 2, 3}).
6. Loginis (bool): Loginė reikšmė True arba False.
7. Dvejetainiai (bytes, bytearray, memoryview):
- bytes: Nekeičiama baitų seka, pvz., b'Hello'.
- bytearray: Keičiama baitų seka, pvz., bytearray([65, 66, 67]).
8. Jokio tipo (NoneType): Reikšmė, kuri nereiškia nieko, pvz., None.

Šie duomenų tipai leidžia programuotojams efektyviai manipuliuoti informacija ir yra pagrindas Python programavime.
Kintamieji

Python kintamieji yra rezervuotos atminties vietos, kuriose saugomos vertės. Skirtingai nuo kitų programavimo kalbų, tokių kaip C, C++, Java ir kt., Python nereikalauja aiškiai deklaruoti kintamojo tipo prieš jam priskiriant vertę. Kintamieji gali būti įvairūs: skaičiai, simboliai, tekstas ar kita informacija. Jie leidžia saugoti ir manipuliuoti duomenimis programose. Kintamųjų pavadinimai gali būti sudaryti iš raidžių, skaičių ir apatinio brūkšnelio (A-z, 0-9, _). Jie taip pat yra jautrūs mažosioms/didžiosioms raidėms.

Pavyzdžiai:

Python

vardas = 'Datacademy'
skaicius = 22
tekstas = "Labas, pasauli!"

Kintamieji yra nepakeičiama priemonė, leidžianti saugoti ir manipuliuoti informacija programose.
Operatoriai
Python operatoriai yra specialūs simboliai arba žodžiai, kurie leidžia atlikti veiksmus su kintamaisiais ir reikšmėmis. Šie operatoriai yra esminiai programavime ir naudojami įvairiose situacijose. Štai keletas svarbiausių Python operatorių grupių:

1. Aritmetiniai operatoriai:
- +: Sudeda dvi reikšmes.
- -: Atima vieną reikšmę iš kitos.
- *: Sudaugina dvi reikšmes.
- /: Padalina vieną reikšmę iš kitos.
- %: Grąžina liekaną po dalybos.
- **: Pakelia reikšmę laipsniu.
- //: Grąžina sveikąją dalį po dalybos.
2. Priskyrimo operatoriai:
- =: Priskiria reikšmę kintamajam.
- +=, -= ir kt.: Priskiria ir atlieka veiksmą su kintamuoju.
3. Palyginimo operatoriai:
- ==: Lygina dvi reikšmes.
- !=: Tikrina, ar reikšmės nelygios.
- >, <, >=, <=: Lygina reikšmes pagal dydį.
4. Loginiai operatoriai:
- and: Grąžina True, jei abu teiginiai yra teisingi.
- or: Grąžina True, jei bent vienas teiginys yra teisingas.
- not: Grąžina priešingą teiginio reikšmę.
5. Identifikacijos operatoriai:
- is: Tikrina, ar du objektai yra vienodi.
- is not: Tikrina, ar du objektai nėra vienodi.
6. Narystės operatoriai:
- in: Tikrina, ar reikšmė yra sąraše arba žodyne.
- not in: Tikrina, ar reikšmės nėra sąraše arba žodyne.
7. Dvejetainiai operatoriai:
- &, |, ^, ~, <<, >>: Atlieka operacijas su dvejetainiais skaičiais.
Šie operatoriai leidžia programuotojams atlikti įvairius veiksmus su duomenimis ir yra esminiai Python kalboje.
Bazinė matematika
Bazinė matematika Python yra susijusi su įvairiais matematiniais veiksmais ir funkcijomis, kurias galima naudoti skaičių manipuliacijoms. Galime naudoti Python įprastus operatorius ir funkcijas bazinėje matematikoje. Štai keletas pavyzdžių:
1. Sudėtis (+):
- Jei norime sudėti du skaičius, galime tiesiog naudoti + operatorių:
  - 5 + 3
  - Rezultatas: 8
1. Dauginimas (*):
- Jei norime sudauginti du skaičius, naudojame * operatorių:
  - 4 * 6
  - Rezultatas: 24
1. Kėlimas laipsniu (**):
- Norint pakelti skaičių laipsniu, naudojame ** operatorių:
  - 2 ** 3
  - Rezultatas: 8
1. Dalyba (/):
- Jei norime padalinti vieną skaičių iš kito, naudojame / operatorių:
  - 10 / 2
  - Rezultatas: 5.0
1. Dalyba be liekanos (//):
- Norint gauti sveikąją dalį po dalybos, naudojame // operatorių:
  - 10 // 3
  - Rezultatas: 3
1. Liekana (%):
- Jei norime gauti liekaną po dalybos, naudojame % operatorių:
  - 10 % 3
  - Rezultatas: 1
1. Atimtis (-):
- Jei norime atimti vieną skaičių iš kito, naudojame - operatorių:
  - 7 - 4
  - Rezultatas: 3
Tai yra pagrindiniai Python operatoriai, kurie leidžia atlikti bazinius matematinius veiksmus. Jie yra labai naudingi, kai dirbame su skaičiais programose.
Duomenų rinkiniai
Python integruotieji duomenų rinkiniai leidžia saugoti ir manipuliuoti duomenimis:

1. tuple (kortelė):
- Tai nekeičiamas duomenų rinkinys, kuris saugo elementus tarp skliaustų.
- Kortelė yra naudinga, kai reikia saugoti fiksuotą elementų rinkinį.
- Pvz., mano_tuple = (1, 2, 3).
2. list (sąrašas):
- Tai dinamiškas duomenų rinkinys, kuriame elementai gali pasikartoti.
- Sąrašas gali būti bet kokio tipo ir yra labai galingas Python įrankis.
- Pvz., mano_list = [1, 2, 3, 'tekstas'].
3. dict (žodynas):
- Tai raktas-vertė porų kolekcija, kurioje kiekvienas raktas yra unikalus.
- Žodynas naudojamas saugoti duomenis pagal raktus.
- Pvz., mano_dict = {'vardas': 'Jonas', 'amžius': 30}.
4. set (aibė):
- Tai unikalių elementų kolekcija be tvarkos.
- Rinkinys naudojamas, kai reikia saugoti tik unikalius elementus.
- Pvz., mano_set = {1, 2, 3, 4}.
Šios duomenų struktūros yra galingos ir naudingos skirtingiems uždaviniams sprendžiant
Metodai
Python metodai yra funkcijos, kurios yra susietos su objektais ir leidžia atlikti veiksmus su šiais objektais. Šie metodai yra iškviečiami naudojant objekto pavadinimą, tašką ir metodo pavadinimą. Štai keletas svarbiausių Python metodų:

1. String (teksto eilutės) metodai:
- upper(): Grąžina teksto eilutę didžiosiomis raidėmis.
- lower(): Grąžina teksto eilutę mažosiomis raidėmis.
- strip(): Pašalina tarpus iš teksto eilutės pradžios ir galo.
- replace(old, new): Pakeičia seną tekstą nauju tekstu.
2. Sąrašo (list) metodai:
- append(item): Prideda elementą į sąrašą.
- pop(index): Pašalina elementą iš sąrašo pagal indeksą.
- sort(): Rūšiuoja sąrašą didėjimo tvarka.
3. Žodyno (dictionary) metodai:
- keys(): Grąžina visus žodyno raktus.
- values(): Grąžina visus žodyno reikšmes.
- get(key): Grąžina reikšmę pagal raktą.
4. Objekto metodai:
- __init__(): Konstruktorius, kuris inicijuoja objektą.
- __str__(): Grąžina objekto eilutės reprezentaciją.
Python metodai yra galingas būdas manipuliuoti duomenimis ir vykdyti veiksmus su objektais. Jų naudojimas yra esminis programavime.
Indeksavimas

Python indeksavimas (angl. Indexing) yra procesas, kuriuo pasiekiami elementai sekoje pagal jų poziciją (indeksą). Indeksavimas Python pradedamas nuo 0, tai reiškia, kad pirmas elementas sekoje yra pozicijoje 0, antras elementas - pozicijoje 1 ir t.t. Norint pasiekti elementą sekoje, naudojami laužtiniai skliaustai [] su norimo elemento indeksu.

Pavyzdžiui:

my_list = ['obuolys', 'bananas', 'citrina']
print(my_list[0]) # Spausdinama 'obuolys'
print(my_list[1]) # Spausdinama 'bananas'

Indeksavimas leidžia efektyviai pasiekti ir manipuliuoti sekoje esančius elementus.
Duomenų pjaustymas (angl. slicing)
Python duomenų pjaustymas (angl. slicing) yra būdas pasiekti ir išskirti tam tikrą dalį iš seka (pvz., sąrašo, eilutės ar masyvo) pagal nurodytus indeksus. Šis procesas leidžia gauti subseką iš esamos sekos, o tai yra naudinga, kai norime manipuliuoti tik tam tikrais elementais.

Pagrindiniai Python duomenų pjaustymo aspektai:

1. Sintaksė:
- Pjaustymui naudojame dvitaškį : operatorių.
- Sintaksė yra: seka[start:stop], kur start yra pradinio elemento indeksas, o stop yra paskutinio elemento indeksas (neįtraukiant elemento su indeksu stop).
2. Pjaustymo galimybės:
- Galime nurodyti tik start indeksą, tik stop indeksą arba abu.
- Taip pat galime nurodyti žingsnį, pvz., seka[start:stop:step].
3. Svarbu prisiminti:
- stop indeksas nurodo pirmą indeksą, kuris nepriklauso pasirinktai subsekai.
- Jei step nenurodytas, jis yra 1 (numatytasis).
Pavyzdžiai:

colors = ['red', 'green', 'blue', 'orange']

s = slice(1, 3)

print(colors[s]) # Spausdinama ['green', 'blue']

Pjaustymas leidžia efektyviai manipuliuoti sekos elementais ir gauti tik tuos, kurie mums reikalingi.
Duomenų tipų keitimas
Python duomenų tipų keitimas (angl. Casting) yra būdas konvertuoti vieno tipo kintamąjį į kitą tipo kintamąjį. Tai leidžia pritaikyti kintamąjį tam tikram duomenų tipui, kad galėtume atlikti reikiamus veiksmus. Python atlieka šiuos duomenų tipų keitimo veiksmus:
1. Implicitinis keitimas: Python automatiškai atlieka neaiškųjį duomenų tipo keitimą, kad išvengtų duomenų praradimo.
2. Eksplicitinis keitimas: Vartotojas gali atlikti aiškųjį duomenų tipo keitimą naudodamas integruotas funkcijas.
Keitimui naudojamos šios įmontuotos funkcijos:
- int(): konvertuoja bet kokio tipo kintamąjį į sveikąjį skaičių.
- float(): konvertuoja bet kokio tipo kintamąjį į slankiojo kablelio skaičių.
- complex(): konvertuoja bet kokio tipo kintamąjį į kompleksinį skaičių.
- bool(): konvertuoja bet kokio tipo kintamąjį į bool tipo reikšmę.
- str(): konvertuoja bet kokio tipo kintamąjį į eilutę.
Duomenų tipo keitimo metu gali atsirasti duomenų praradimas, nes mes priverčiame objektą tapti tam tikru duomenų tipu.
Išpakavimas

Python išpakavimas (angl. unpacking) yra procesas, kuriuo priskiriame iteruojamųjų duomenų elementus kintamiesiems vienoje eilutėje. Tai leidžia išskleisti duomenų struktūras, tokius kaip sąrašai, kortelės ir žodynai, ir pasiekti jų elementus atskirai.

Pavyzdžiui:

# Sukuriamas sąrašas
mano_rinkinys = ['kabeliai', 'ausinės', 'USB']

# Išskleidžiame sąrašą į kintamuosius
item1, item2, item3 = mano_rinkinys

# Kiekvienas kintamasis atitinka sąrašo elementą
print(item1) # Spausdinama 'kabeliai'
print(item2) # Spausdinama 'ausinės'
print(item3) # Spausdinama 'USB'

Išpakavimas leidžia efektyviai manipuliuoti duomenimis ir padidina kodo aiškumą.
Ciklai
Python leidžia atlikti tam tikrus veiksmus daugiau nei vieną kartą. Ciklai yra pagrindinės Python konstrukcijos, kurios leidžia kartoti tam tikrus veiksmus arba iteruoti per objektus, tokius kaip sąrašai, rinkiniai ar eilutės.

Dvi pagrindinės ciklų rūšys yra:

1. for ciklas:
- Dažniausiai naudojamas, kai žinome, kiek kartų ciklas turi būti vykdomas arba kai yra iteruojamas objektas.
- Sintaksė:
for elementas in iteruojamas_objektas:

# Vykdomas kodas
- Pvz., iteruojamas_objektas gali būti sąrašas, elementų rinkinys arba eilutė.
2. while ciklas:
- Naudojamas, kai nežinome, kiek kartų ciklas turi būti vykdomas.
- Sintaksė:
while sąlyga:

# Vykdomas kodas
- Pvz., galime nuskaitinėti failą, nežinodami, kiek teksto eilučių jame yra.
Ciklai yra galingas būdas automatizuoti veiksmus ir kartoti juos pagal poreikį
Sąrašų ciklų glaudinimas (angl. list comprehension)
Python sąrašų ciklų glaudinimas (angl. list comprehension) yra galingas ir elegantiškas būdas sukurti naują sąrašą iš esamo sąrašo, naudojant vieną eilutę kodu. Tai leidžia trumpai ir aiškiai aprašyti, kaip transformuoti ar filtruoti sąrašo elementus.

Štai kaip tai veikia:

1. Sintaksė: List comprehension prasideda laužtiniuose skliaustuose ir turi tris pagrindinius komponentus:
- Išraiška: Tai yra sąrašo elemento transformacija arba filtravimas.
- Ciklas: Tai yra ciklas per esamą sąrašą.
- Sąlyga: Tai yra sąlyga, kuri nurodo, kokius elementus įtraukti į naują sąrašą.
2. Pavyzdys: Norime sukurti naują sąrašą, kuriame būtų kvadratai iš esamo sąrašo skaičių:

originalus_sarasas = [1, 2, 3, 4, 5]
kvadratai = [x ** 2 for x in originalus_sarasas]
print(kvadratai) # Atspausdins: [1, 4, 9, 16, 25]

Šiuo atveju x ** 2 yra išraiška, for x in originalus_sarasas yra ciklas, ir sąlygos nėra.

3. Filtravimas: Taip pat galime naudoti sąlygą, kad įtrauktume tik tam tikrus elementus:

originalus_sarasas = [1, 2, 3, 4, 5]
lyginiai_skaiciai = [x for x in originalus_sarasas if x % 2 == 0]
print(lyginiai_skaiciai) # Atspausdins: [2, 4]

Šiuo atveju sąlyga x % 2 == 0 tikrina, ar skaičius yra lyginis.

List comprehension leidžia mums trumpai ir efektyviai kurti naujus sąrašus, taip pat padeda išlaikyti kodą tvarkingą ir aiškų.
Funkcijos

Python funkcijos yra kodas, kuris vykdomas tik tada, kai jis yra iškviestas. Jos leidžia grupuoti kartotinus ar bendrus veiksmus į vieną vienetą, kad galėtume jį perpanaudoti. Funkcijos gali priimti duomenis, vadinamus parametrais - argumentais, ir grąžinti rezultatus. Funkcijos apibrėžimas prasideda raktiniu žodžiu def, o jos pavadinimas ir argumentai nurodomi skliausteliuose. Pvz.,:

def pasisveikinimas(vardas):
print(f"Sveiki, {vardas}!")

pasisveikinimas("Jonai") # Spausdinama "Sveiki, Jonai!"

Funkcijos leidžia efektyviai organizuoti kodą, padidinti skaitymą ir išlaikyti kodą tvarkingą.
Lambda funkcijos
Python Lambda funkcijos, taip pat vadinamos anoniminėmis funkcijomis, yra mažos, vienkartinio naudojimo funkcijos Python programavimo kalboje. Jų apibrėžimui naudojamas lambda raktinis žodis, po kurio seka funkcijos parametrai, dvitaškis ir funkcijos išraiška. Lambda funkcijos rezultatas grąžinamas kaip išraiškos rezultatas, o ne naudojant return sakinį.

Šios funkcijos turi šias savybes:
1. Anonimiškumas: Lambda funkcijos neturi pavadinimo ir yra trumpesnės nei įprastos Python funkcijos.
2. Trumpumas: Jų sintaksė yra labai glausta, todėl jos puikiai tinka vienos eilutės kodui.
3. Vienkartinis naudojimas: Lambda funkcijos dažnai naudojamos kaip parametrai kitose funkcijose arba išraiškose.
Pavyzdžiui, ši lambda funkcija apskaičiuoja kvadratą:

square = lambda x: x ** 2
print(square(5)) # Rezultatas: 25

Lambda funkcijos yra naudingos, kai reikia trumpai apibrėžti paprastą funkciją, pvz., filtravimo arba rūšiavimo tikslais. Tačiau jas reikia naudoti atsargiai ir tik tais atvejais, kai jų naudojimas pagerina kodo aiškumą ir tvarkingumą
Klasės

Python klasės (angl. Class) yra objektinio programavimo pagrindas. Jos veikia kaip prototipas arba mėlynasis modelis, pagal kurį galima kurti objektus. Klasės apibrėžia, kaip turi būti sukuriami objektai ir kokios savybės bei metodai jie turės.

Štai keletas svarbiausių dalykų apie Python klases:

1. Klasės ir objektai: Klasė yra kaip objekto konstruktorius arba mėlynasis modelis. Ji nurodo, kokie atributai ir metodai bus turimi objekte. Pavyzdžiui:

class Gyvunas:
def __init__(self, vardas):
self.vardas = vardas

def pasisveikinimas(self):
print(f"Sveiki, aš esu {self.vardas}!")

kate = Gyvunas("Murklys")
kate.pasisveikinimas() # Išveda: "Sveiki, aš esu Murklys!"

2. init() funkcija: Kiekviena klasė turi init() funkciją, kuri yra automatiškai iškviečiama, kai sukuriamas naujas objektas. Ši funkcija leidžia priskirti pradines reikšmes objekto atributams. Pavyzdžiui:

class Zmogus:
def __init__(self, vardas, amzius):
self.vardas = vardas
self.amzius = amzius

zmogus = Zmogus("Jonas", 30)
print(zmogus.vardas) # Išveda: "Jonas"

3. Metodai: Klasės gali turėti įvairių metodų, kurie atlieka veiksmus su objektais. Pavyzdžiui:

class Skaiciuotuvas:
def suma(self, a, b):
return a + b

def skirtumas(self, a, b):
return a - b

calc = Skaiciuotuvas()
print(calc.suma(5, 3)) # Išveda: 8

Klasės leidžia struktūruoti ir organizuoti kodą, taip pat palengvina objektų kūrimą ir valdymą.
Integruoti moduliai
Python integruoti (angl. Built-In) moduliai yra kodas, kuris suteikia papildomą funkcionalumą Python programoms. Šie moduliai yra integruoti į Python vertėjus (angl. Interpreter) ir leidžia naudoti specifinius resursus arba vykdyti tam tikras užduotis.

Pavyzdžiui:
1. math modulis: Teikia matematikos funkcijas, tokius kaip trigonometriniai veiksmai, šaknies traukimas ir kt.
2. os modulis: Leidžia valdyti operacinės sistemos funkcijas, tokius kaip failų valdymas ir aplankų navigacija.
3. time modulis: Suteikia funkcijas, skirtas laiko valdymui, tokius kaip laiko užlaikymas ir laiko formatavimas.
Šie moduliai yra svarbūs, nes jie padeda programoms bendrauti su išoriniais resursais ir vykdyti įvairias užduotis.

Python taikymas duomenų analitikai

Trečiųjų šalių moduliai
Python trečiųjų šalių moduliai yra papildomi kodo paketai, kurie praturtina Python funkcionalumą ir leidžia programuotojams efektyviau dirbti su duomenimis, vizualizuoti informaciją ir kurti modelius. Štai keli pavyzdžiai su trumpais aprašymais:
- NumPy: NumPy yra mokslinės skaičiavimo biblioteka, skirta darbui su daugiamatėmis masyvų struktūromis. Ji leidžia atlikti matematinius veiksmus, manipuliuoti duomenimis ir optimizuoti skaičiavimus.
- Pandas: Pandas yra galingas duomenų analizės įrankis, leidžiantis manipuliuoti ir analizuoti duomenis. Ji naudojama darbui su duomenų rinkiniais, lentelėmis ir CSV failais.
- Matplotlib: Matplotlib leidžia kurti grafinius vaizdus, tokius kaip diagramos, grafikai ir histogramos. Tai yra puikus įrankis duomenų vizualizacijai.
- Seaborn: Seaborn yra aukšto lygio biblioteka statistiniams grafikams kurti. Ji integruojasi su Pandas ir Matplotlib, leidžianti lengvai kurti grafinius vaizdus.
- Scikit-learn (SkLearn): Scikit-learn yra mašininio mokymosi biblioteka, skirta modelių kūrimui ir duomenų analizei. Ji turi daugybę algoritmų, pvz., regresijos, klasifikavimo ir klasterizavimo.
Šie trečiųjų šalių moduliai padeda programuotojams efektyviau dirbti su duomenimis, kurti modelius ir vizualizuoti informaciją.
Duomenų masyvai
Python duomenų masyvai (angl. arrays) yra struktūros, kuriose saugomas elementų rinkinys. Jie yra panašūs į sąrašus, tačiau turi tam tikrų svarbių skirtumų:
1. Vienodo tipo elementai: Masyvai gali saugoti tik to paties tipo elementus (pvz., skaičius ar eilutes). Tai reiškia, kad visi masyvo elementai turi būti vieno tipo.
2. Fiksuotas dydis: Masyvai turi fiksuotą dydį, kuris nustatomas jų sukūrimo metu. Negalima dinamiškai keisti masyvo dydžio.
3. Matematinės operacijos: Masyvai yra naudingi matematinėms operacijoms, tokioms kaip matricos daugyba, sudėtis ar atimtis.
Pavyzdžiui, galime sukurti masyvą ir atlikti veiksmus su jo elementais:

import numpy as np

# Sukuriamas masyvas
my_array = np.array([1, 2, 3])

# Prieiga prie masyvo elementų
print(my_array[0]) # Spausdinama 1

# Elementų atnaujinimas masyve
my_array[0] = 5 # Atnaujinamas pirmasis elementas į 5

# Elementų ištrynimas iš masyvo
del my_array[2] # Ištrinamas trečiasis elementas

Masyvai yra naudingi skaitmeniniams duomenims saugoti ir matematinėms operacijoms atlikti. Jie gali būti sukurti naudojant NumPy biblioteką.
Įvadas į vektorinę matematiką su NumPy moduliu

NumPy yra Python biblioteka, skirta moksliniams skaičiavimams, ypač vektorinės matematikos ir duomenų analizės srityje. Ši biblioteka suteikia galimybę efektyviai manipuliuoti daugiamatėmis masyvų struktūromis ir atlikti įvairias operacijas su jomis.

Štai keletas pagrindinių NumPy funkcijų ir jų panaudojimo pavyzdžių:

1. Masyvai (Arrays): NumPy leidžia kurti daugiamatius masyvus, kurie gali būti vienmatiai (vektoriai) arba dvimatiai (matricos). Pavyzdžiui:

import numpy as np

# Sukurkime vienmatį masyvą (vektorių)
vector = np.array([1, 2, 3])

# Sukurkime dvimatį masyvą (matricą)
matrix = np.array([[1, 2, 3], [4, 5, 6]])

2. Matematinės operacijos: NumPy leidžia atlikti įvairias matematines operacijas su masyvais. Pavyzdžiui:

a = np.array([1, 2, 3])
b = np.array([4, 5, 6])

# Sudėtis
result_sum = a + b

# Skirtumas
result_diff = a - b

# Daugyba
result_mul = a * b

# Dalyba
result_div = a / b

3. Vektorinės operacijos: NumPy leidžia atlikti operacijas su visais masyvo elementais vienu metu. Pavyzdžiui:

# Kvadratu
squared = np.square(a)

# Šaknis
sqrt = np.sqrt(b)

# Suma visų elementų
total_sum = np.sum(a)

NumPy yra nepakeičiama priemonė, kuri palengvina vektorinės matematikos operacijas ir duomenų manipuliavimą Python aplinkoje. Tai ypač naudinga duomenų analizės, mokslinių tyrimų ir inžinerijos srityse.
Išplėstinė duomenų analizė su „Pandas" moduliu
Python Pandas yra galinga atviro kodo biblioteka, skirta duomenų analizei ir manipuliavimui. Ji yra plačiai naudojama duomenų mokslui, analizei, valymui ir transformacijai. Ši biblioteka leidžia atlikti įvairias operacijas su duomenų rėmeliais (angl. DataFrames) ir serijomis (angl. Series).
- DataFrame: Tai dvimatė duomenų struktūra, panaši į lentelę. Ji leidžia saugoti ir manipuliuoti duomenimis stulpelių ir eilučių forma. DataFrame yra pagrindinė Pandas struktūra, kurioje galima atlikti filtravimą, grupavimą, sąryšius ir kitas operacijas.
- Series: Tai vienmatė duomenų struktūra, kuri saugo vieną stulpelį arba eilutę. Series leidžia manipuliuoti individualiais duomenų elementais.
Kai naudojate Pandas, galite atlikti šias operacijas:
1. Duomenų rėmelio pjaustymas: Filtruoti ir pasirinkti tik reikiamus stulpelius ar eilutes.
2. Susijungimas ir prisijungimas: Jungti duomenų rėmelius pagal bendrus stulpelius arba indeksus.
3. Sujungimas: Apjungti duomenų rėmelius horizontaliai arba vertikaliai.
4. Indekso keitimas: Pakeisti duomenų rėmelio indeksą.
5. Keisti stulpelių antraštes: Pervadinti stulpelių pavadinimus.
6. Duomenų šaudymas: Pašalinti dublikatus, trūkstamus duomenis arba netinkamus reikšmes.
7. Naudojimo atvejis: Analizuoti jaunimo nedarbo duomenis, grupuojant pagal amžių ir lytį.
Pandas yra nepakeičiama priemonė duomenų analizei ir manipuliavimui Python aplinkoje. Ji leidžia efektyviai tvarkyti ir transformuoti duomenis, padedant analitikams ir duomenų mokslininkams išgryninti informaciją iš įvairių šaltinių.
Duomenų apsikeitimas su SQL serverių kombinuojant SQL kodą su Python kodu
Duomenų apsikeitimas su SQL serveriais, kombinuojant SQL kodą su Python kodu, yra svarbus procesas, leidžiantis bendrauti su duomenų bazėmis ir automatizuoti duomenų gavimą bei atnaujinimą. Šis procesas apima keletą svarbių žingsnių:

1. Duomenų gavimas iš SQL serverių:
- Naudojant Python, galime prisijungti prie SQL serverio ir vykdyti SQL užklausas, kad gautume reikiamus duomenis.
- Tai gali būti atliekama naudojant įvairius Python modulius.
2. Duomenų manipuliavimas su Python:
- Gavus duomenis iš SQL serverio, galime juos manipuliuoti Python aplinkoje.
- Tai gali apimti duomenų filtravimą, grupavimą, rikiavimą ir kitus veiksmus.
3. Duomenų atnaujinimas ir įrašymas į SQL serverį:
- Po duomenų manipuliavimo ir analizės galime atnaujinti duomenis SQL serveryje.
- Tai gali būti atliekama naudojant įvairius Python modulius.
Šis procesas leidžia efektyviai valdyti duomenis, automatizuoti užduotis ir integruoti SQL serverius su Python programavimo kalba.
Duomenų vizualizacija su „Pandas" moduliu
Python duomenų vizualizacija su „Pandas“ moduliu yra būdas kurti grafinius vaizdus ir diagramas, naudojant Pandas biblioteką. Ši biblioteka leidžia analizuoti, valdyti ir vizualizuoti duomenis išvien. Pagrindiniai bruožai:
1. Duomenų analizė: „Pandas“ leidžia manipuliuoti duomenimis, filtruoti, grupuoti ir transformuoti juos pagal reikiamus poreikius.
2. Duomenų rėmeliai: „Pandas“ naudoja duomenų rėmelius (angl. DataFrames), kurie yra dvimatės duomenų struktūros, panašios į lentelę.
3. Vizualizacija: „Pandas“ taip pat turi įmontuotą funkcionalumą duomenų vizualizacijai, kuris leidžia kurti grafikus, diagramas ir kitus vaizdus.
Pavyzdys:

import pandas as pd
import matplotlib.pyplot as plt

# Sukuriamas duomenų rėmelis
data = {'Mėnuo': ['Sausis', 'Vasaris', 'Kovas'],
'Pardavimai': [100, 150, 120]}
df = pd.DataFrame(data)

# Vizualizuojame pardavimus
df.plot(x='Mėnuo', y='Pardavimai', kind='bar')
plt.xlabel('Mėnuo')
plt.ylabel('Pardavimai')
plt.title('Mėnesio pardavimai')
plt.show()

„Pandas“ yra galinga biblioteka, leidžianti efektyviai manipuliuoti ir vizualizuoti duomenis.
Duomenų vizualizacija su „Matplotlib“ moduliu
Python duomenų vizualizacija su „Matplotlib“ moduliu yra būdas kurti grafinius vaizdus ir diagramas, naudojant Matplotlib biblioteką. Ši biblioteka leidžia kurti įvairius grafikus, nuo paprastų linijinių diagramų iki sudėtingų 3D vaizdų.

Pagrindiniai „Matplotlib“ bruožai:
1. Paprastumas: „Matplotlib“ leidžia kurti grafikus viena eilute kodo.
2. Platybė: Galima kurti įvairius grafikus, įskaitant stačiakampio diagramas, histogramas, sklaidos diagramas ir kt.
3. Prisitaikymas: Galima keisti spalvas, stilius, ašis ir kitus grafiko parametrus.
Pavyzdžiai:

import matplotlib.pyplot as plt

# Sukuriamas paprastas grafikas
x = [1, 2, 3, 4]
y = [10, 15, 7, 12]
plt.plot(x, y)
plt.xlabel('X ašis')
plt.ylabel('Y ašis')
plt.title('Paprastas grafikas')
plt.show()

„Matplotlib“ yra galinga ir lanksti biblioteka, leidžianti vizualizuoti duomenis ir kurti grafinius vaizdus
Duomenų vizualizacija su „Seaborn“ moduliu
Python duomenų vizualizacija su „Seaborn“ moduliu yra būdas kurti grafinius vaizdus ir diagramas, naudojant Seaborn biblioteką. Ši biblioteka yra pagrįsta Matplotlib ir suteikia aukšto lygio sąsają, skirtą kurti patrauklius ir informatyvius statistinius grafikus.

Pagrindiniai „Seaborn“ bruožai:
1. Paprastumas: „Seaborn“ leidžia kurti grafinius vaizdus viena eilute kodo.
2. Statistinės grafikos galimybės: Galima kurti įvairius statistinius grafikus, tokius kaip sklaidos diagramos, histogramos, linijinės diagramos ir kt.
3. Integracija su „Pandas“: „Seaborn“ puikiai integruojasi su „Pandas“ duomenų rėmeliais, leidžianti efektyviai analizuoti ir vizualizuoti duomenis.
Pavyzdys:

import seaborn as sns
import matplotlib.pyplot as plt

# Sukuriamas duomenų rėmelis
tips = sns.load_dataset("tips")

# Vizualizuojame santykį tarp sąskaitos ir gauto mokesčio
sns.scatterplot(x="total_bill", y="tip", data=tips)
plt.xlabel('Sąskaita')
plt.ylabel('Gautas mokestis')
plt.title('Santykis tarp sąskaitos ir gauto mokesčio')
plt.show()

„Seaborn“ yra galinga biblioteka, leidžianti kurti patrauklius ir informatyvius grafikus duomenų analizei.
Mašininio mokymąsi pagrindai naudojant „SKLearn" modulį
Python mašininio mokymosi pagrindai naudojant „scikit-learn“ (arba „SKLearn“) modulį yra esminiai žingsniai, kurie leidžia programuotojams pradėti kurti ir taikyti mašininio mokymosi modelius Python aplinkoje. Šis modulis yra galingas ir plačiai naudojamas, o jo pagrindinės savybės yra šios:
1. Paprastumas: „scikit-learn“ suteikia aiškią ir paprastą API, leidžiantį lengvai kurti ir valdyti modelius.
2. Platnumas: Jis palaiko daugybę algoritmų, įskaitant klasifikavimą, regresiją, klasterizavimą, dimensijų mažinimą ir kt.
3. Efektyvumas: „scikit-learn“ yra optimizuotas ir veikia greitai, todėl jis tinka tiek mažiems, tiek dideliems duomenų rinkiniams.
4. Bendruomenės palaikymas: Tai atvirojo kodo projektas, kurį nuolat tobulina ir plečia didelė bendruomenė.
Pagrindiniai žingsniai, norint pradėti naudoti „scikit-learn“, yra šie:
1. Duomenų paruošimas: Suprasti duomenis, jų struktūrą ir reikšmes. Tai apima duomenų valymą, trūkstamų reikšmių užpildymą ir kodavimą.
2. Modelio pasirinkimas: Pasirinkti tinkamą mašininio mokymosi algoritmą, priklausomai nuo užduoties (pvz., klasifikavimas ar regresija).
3. Duomenų padalinimas: Padalinti duomenis į mokymo ir testavimo rinkinius.
4. Modelio apmokymas: Apmokyti pasirinktą modelį naudojant mokymo duomenis.
5. Modelio vertinimas: Įvertinti modelio veikimą naudojant testavimo duomenis.
„scikit-learn“ yra puikus pasirinkimas tiek pradedantiesiems, tiek patyrusiems mašininio mokymosi specialistams. Norint pradėti, rekomenduojama perskaityti oficialią dokumentaciją ir išbandyti pavyzdžius.

Jei norite išmokti, kaip dirbti su duomenų bazėmis ir naudoti SQL - vieną iš svarbiausių ir universaliausių duomenų manipuliacijos ir analizės kalbų, šie kursai yra skirti jums! 💯

Šie kursai yra pritaikyti suaugusiems žmonėms, kurie nori persikvalifikuoti ir neturi patirties darbe su SQL ar duomenų bazėmis. Jūs susipažinsite su duomenų saugojimo principais, reliacinėmis duomenų bazėmis, SQL ir NoSQL serveriais ir išmoksite, kaip naudoti SQL duomenų užklausas, kurti naujas duomenų bazes, atnaujinti įrašus, automatizuoti duomenų ištraukimą iš serverių. Taip pat, jūs pamatysite, kaip SQL gali būti naudojamas kartu su kitais duomenų analizės ir vizualizacijos įrankiais, pvz., Power BI, Excel, Python ir kt. 🚀

Po kursų jūs galėsite:

Suprasti duomenų saugojimo principus ir duomenų bazės struktūrą
Naudojti SQL ir jo pagrindines komandas, tokias kaip SELECT, INSERT, UPDATE, DELETE, JOIN, GROUP BY, HAVING, ORDER BY ir kt.
Kurti naujas duomenų bazes ir lentelės, naudodami SQL CREATE ir ALTER komandas
Atnaujinti ir ištrinti duomenų bazės įrašus, naudodami SQL UPDATE ir DELETE komandas
Automatiškai ištraukti duomenis iš SQL ir NoSQL serverių, naudodami SQL SELECT ir FROM komandas
Naudoti SQL kartu su kitais duomenų analizės ir vizualizacijos įrankiais, pvz., Power BI, Excel, Python ir kt.

Kursai vyksta 21 valandą, mišriose grupėse, gyvai ir nuotoliu. Jūs galėsite pasirinkti jums patogią mokymosi formą ir laiką. Kursus veda kvalifikuoti ir patyrę dėstytojai, kurie turi ilgametę patirtį praktiškai naudojant SQL ir duomenų bazes. Jie padės jums įveikti bet kokius sunkumus ir atsakys į jūsų klausimus. 🙋‍♂️🙋‍♀️

Užbaigę kursus, jūs gausite kurso baigimo sertifikatą, kuris patvirtins jūsų SQL žinias ir gebėjimus. Taip pat, jūs įgisite galimybę užbaigus pilną duomenų analitikos kursą įgyti neformaliojo švietimo laipsnį, kuris padės jums karjeros plėtroje. 🎓

Nesivaržykite ir užsiregistruokite dabar! Vietų skaičius ribotas, o SQL kursai studentams yra puiki investicija į jūsų ateitį! 💰

Modulio temos

SQL serveriai

Duomenų bazių struktūros

Lentelių ryšiai

Lentelių raktai

SQL užklausos

Duomenų filtravimas

Duomenų agregavimas

Duomenų grupavimas

Papildomos užklausos (angl. subquery)

Lentelių sujungimas

SQL funkcijos

Duomenų tipai

Duomenų bazių, lentelių, stulpelių kūrimas bei trynimas

Jei norite išmokti, kaip naudoti vieną iš populiariausių ir galingiausių duomenų analizės ir vizualizacijos įrankių, šie kursai yra skirti jums! 💯

Šie kursai yra pritaikyti suaugusiems žmonėms, kurie nori persikvalifikuoti ir neturi patirties darbe su Power BI. Jūs ne tik susipažinsite su Microsoft platforma, bet ir išmoksite, kaip kurti automatizuotas ataskaitas ir atlikti ETL transformacijas naudojant pažangiausius Power BI metodus. Be to, jūs pamatysite praktinius Power BI projektų pavyzdžius, kurie padės jums suprasti, kaip taikyti Power BI realiame darbe. 🚀

Po kursų jūs galėsite:

Dirbti su Power BI ir jo komponentais, tokiais kaip Power Query, Power Pivot ir Power View
Rašyti DAX formules ir naudoti jas duomenų modeliavimui ir analizei
Automatiškai transformuoti duomenis ir nuskaityti skirtingus duomenų šaltinius, įskaitant BIG DATA
Kurti matematinius modelius ir naudoti juos sprendimų priėmimui ir prognozavimui
Kurti interaktyvius skydelius ir dalintis jais su kitais naudotojais

Kursai vyksta 18 valandų, mišriose grupėse, gyvai ir nuotoliu. Jūs galėsite pasirinkti jums patogią mokymosi formą ir laiką. Kursus veda kvalifikuoti ir patyrę dėstytojai, kurie turi didelę praktinę Power BI naudojimo patirtį ir yra sukūrę ne vieną projektą. Jie padės jums įveikti bet kokius sunkumus ir atsakys į jūsų klausimus. 🙋‍♂️🙋‍♀️

Užbaigę kursus, jūs gausite kurso baigimo sertifikatą, kuris patvirtins jūsų Power BI žinias ir gebėjimus. Taip pat, jūs įgysite galimybę užbaigus pilną duomenų analitikos kursą įgyti neformaliojo švietimo laipsnį, kuris padės jums karjeros plėtroje. 🎓

Nesivaržykite ir užsiregistruokite dabar! Vietų skaičius ribotas, o Power BI kursai studentams yra puiki investicija į jūsų ateitį! 💰

Modulio temos

„Power BI Desktop“

„Power BI Service“
Power BI Service yra debesies paslauga, kuri leidžia jums interaktyviai bendrauti su ataskaitomis ir informacinėmis panelėmis savo naršyklėje. Ši paslauga yra svarbi dalis Power BI platformos ir suteikia galimybę:
- Peržiūrėti ataskaitas ir informacines paneles: Power BI Service leidžia peržiūrėti ir interaktyviai naudotis ataskaitomis, kurias sukūrėte naudodami Power BI Desktop arba kitus įrankius. Galite filtruoti duomenis, eksportuoti įvairius vaizdus ir gauti įžvalgas.
- Dalintis su kitais: Galite dalintis ataskaitomis su kolegomis, klientais arba kitais vartotojais. Tai gali būti ataskaitos nuoroda, įterpta į svetainę arba tiesiog bendras prieigos teises.
- Tvarkyti duomenų šaltinius: Power BI Service leidžia prisijungti prie įvairių duomenų šaltinių, tokių kaip duomenų bazės, failai arba debesies paslaugos. Galite nustatyti automatinį duomenų atnaujinimą ir tvarkyti prisijungimus.
- Kurti ir tvarkyti darbo erdves: Galite kurti darbo erdves, kuriose bendradarbiaujate su kitais vartotojais. Tai gali būti projektų grupės, skyriai arba komandos, kurios bendrai naudoja ataskaitas ir duomenis.
Power BI Service yra puiki priemonė, jei norite pasiekti ir bendrauti su savo duomenimis iš bet kurios vietos.
„Power BI Gateway“
Power BI Gateway yra įrankis, leidžiantis prisijungti prie jūsų vidinės tinklo duomenų šaltinių iš Power BI, Power Apps ar Power Automate be duomenų perkėlimo. Šis įrankis yra naudingas, jei norite, kad jūsų ataskaitos ir informacinės panelės būtų nuolat atnaujinamos, bet nereikėtų perkelti duomenų. Power BI Gateway leidžia:
- Vienas įrenginys visiems debesies paslaugoms: Įdiegus Power BI Gateway, jis gali būti naudojamas ne tik Power BI, bet ir kitoms debesies paslaugoms, tokioms kaip Power Apps, Azure Logic Apps ir Power Automate.
- Paprastas įdiegimas: Įdiegti ir konfigūruoti šį įrankį yra paprasta. Jūs tiesiog įdiegiate jį ir prisijungiate su savo organizacijos paskyra.
- Saugus duomenų perdavimas: Duomenų perdavimas tarp Power BI ir vidinio tinklo duomenų šaltinio yra saugus per Azure Service Bus. Duomenų šaltinio administratoriaus pateikti prisijungimo duomenys yra šifruojami, kad apsaugotų informaciją debesyje ir tik dešifruojami įrenginyje, kuriame įdiegtas Gateway.
Power BI Gateway yra nepakeičiama priemonė, jei norite prieiti prie vidinio tinklo duomenų iš debesies paslaugų.
Duomenų šaltiniai
Duomenų šaltiniai yra pagrindinė dalis, leidžianti jums importuoti ir naudoti duomenis Power BI ataskaitose. Šie šaltiniai gali būti įvairūs, ir čia yra keletas pavyzdžių:
- Excel: Galite importuoti duomenis iš „Excel“ failų, įskaitant lentelės, teksto, CSV, XML ir JSON formatu.
- Duomenų bazės: Galite prisijungti prie įvairių duomenų bazės sistemų, pvz., „SQL Server“, „Microsoft Access“, „Oracle“, „MySQL“, „PostgreSQL“ ir kt.
- Internetinės paslaugos: Galite gauti duomenis iš „SharePoint Online“, „Dynamics 365“, „Salesforce“, „Adobe Analytics“ ir kitų internetinių paslaugų.
- Azure: Galite naudoti „Azure SQL“ duomenų bazes, „Azure Synapse Analytics“, „Azure HDInsight“, „Azure Data Lake Storage“ ir kt.
- Power Platform: Duomenis galite importuoti iš „Power BI“ darbo sričių arba „Dataverse“.
Šie duomenų šaltiniai leidžia jums sukurti galingas ataskaitas ir vizualizacijas, kad galėtumėte geriau suprasti savo verslo duomenis.
Įvairios jungtys
Power BI jungtys yra svarbus konceptas šio Microsoft įrankio, skirto verslo analizei ir duomenų vizualizacijai. Šios jungtys leidžia Power BI atsisiųsti ir integruoti duomenis iš įvairių šaltinių. Štai keletas svarbiausių dalykų apie Power BI jungtis:
- Duomenų šaltiniai: Power BI gali jungtis prie įvairių duomenų šaltinių, tokių kaip duomenų bazės (pvz., SQL Server, MySQL), failai (Excel, CSV), internetinės paslaugos (pvz., Azure SQL Database, Google Analytics) ir daugelis kitų.
- Transformacija ir modeliavimas: Kai duomenys yra importuojami, galima juos transformuoti ir modeliuoti. Tai apima duomenų valymą, agregavimą, sąryšius ir kitus veiksmus, kad būtų galima sukurti efektyvų duomenų modelį.
- Įrankiai duomenų transformacijai: Power BI turi galingus įrankius duomenų transformacijai, tokius kaip „Power Query“, kurie leidžia filtruoti, jungti, keisti duomenų tipus ir kita.
- Duomenų atnaujinimas: Power BI gali automatiškai atnaujinti duomenis iš šaltinių, kad jie visada būtų naujausi.
- Ryšiai tarp duomenų: Galima sukurti ryšius tarp skirtingų duomenų lentelių, kad būtų galima kurti sudėtingesnes vizualizacijas.
- Duomenų vizualizacija: Galima kurti grafinius ataskaitų langus, diagramas, lentelės ir kitus vizualinius elementus, kad būtų galima geriau suprasti duomenis.
Power BI jungtys yra esminė dalis, leidžianti kurti galingas ir informatyvias ataskaitas bei vizualizacijas.
Prisijungimas prie serverio duomenų
Prisijungimas prie serverio duomenų yra būdas, kaip tiesiogiai prisijungti prie duomenų šaltinio, kuris gali būti išorinė duomenų bazė, failas arba kitas serveris. Šis prisijungimas leidžia Power BI naudotojams gauti realaus laiko duomenis ir kurti dinamiškas ataskaitas, kurios atnaujinamos automatiškai, kai duomenys pasikeičia serverio pusėje. Tai yra itin naudinga, jei norite stebėti duomenų pokyčius ir analizuoti informaciją iš skirtingų šaltinių.

Norint prisijungti prie serverio duomenų Power BI, reikia atlikti šiuos žingsnius:
1. Atidarykite Power BI Desktop.
2. Pasirinkite Gauti duomenis.
3. Pasirinkite Power Platform.
4. Pasirinkite norimą duomenų šaltinį (pavyzdžiui, Dataverse arba Oracle).
5. Nurodykite prisijungimo parametrus (pavyzdžiui, prisijungimo vardą, slaptažodį, serverio adresą ir duomenų bazės pavadinimą).
6. Pasirinkite Įkelti.
Šis procesas leidžia jums tiesiogiai prisijungti prie serverio duomenų ir kurti ataskaitas, kurios atnaujinamos automatiškai, kai duomenys pasikeičia.
KPI ataskaitos
Key Performance Indicator (KPI) yra vizualinis signalas, kuris informuoja apie pasiekto progreso kiekį matomo tikslo link. Šis konceptas yra svarbus Microsoft Power BI įrankyje, skirtame verslo analizei ir duomenų vizualizacijai. Štai keletas svarbiausių dalykų apie KPI ataskaitas su Power BI:
1. Kada naudoti KPI?
- KPI yra puikus pasirinkimas:
  - Matuoti progresą. Atsako į klausimą: „Kuo aš atsilieku arba pirmu?“
  - Matuoti atstumą iki tikslo. Atsako į klausimą: „Kiek aš esu atsilieku arba pirmu?“
1. KPI reikalavimai:
- KPI ataskaita remiasi konkretaus matavimo rodiklio duomenimis.
- KPI tikslas yra padėti įvertinti dabartinę metrikos vertę ir būseną lyginant su nustatytu tikslu.
- KPI ataskaita reikalauja pagrindinio matavimo rodiklio, kuris įvertina vertę, tikslo matavimo rodiklio ar vertės ir slenkstinių arba tikslo reikšmių.
1. Kaip sukurti KPI?
- Pavyzdžiui, galite sukurti KPI, kuris matuoja jūsų pardavimų tikslo link padarytą pažangą:
  - Pasirinkite „Sales > Total Units This Year“ iš laukų skydelio. Tai bus rodiklis.
  - Pridėkite „Time > FiscalMonth“. Tai rodo tendenciją.
  - Konvertuokite vizualizaciją į KPI paspausdami KPI piktogramą iš vizualizacijos skydelio.
  - Norėdami pridėti tikslą, vilkite „Total Units Last Year“ į „Target“ lauką.
  - Galite formatuoti KPI pasirinkdami tinklelio ikoną, kad atidarytumėte „Format visual“ skydelį.
Tai leidžia stebėti ir analizuoti svarbiausius veiklos rodiklius Power BI ataskaitose.
Dirbtinio intelekto integracijos
Power BI yra analitikos ir verslo informacijos (BI) platforma, kuri nuolat tobulinama ir plečiama. Dirbtinio intelekto (AI) integracija yra vienas iš svarbių šios platformos aspektų. Ši integracija leidžia organizacijoms giliau analizuoti duomenis, prognozuoti tendencijas ir gauti įžvalgas.

Kokie yra pagrindiniai Power BI dirbtinio intelekto integracijos aspektai?
- Automatinis duomenų modeliavimas: Power BI naudoja AI algoritmus, kad automatiškai identifikuotų ryšius tarp duomenų ir pasiūlytų tinkamus modelius. Tai padeda greičiau sukurti duomenų modelius ir sumažina žmogaus klaidų riziką.
- Profiliai ir rekomendacijos: Power BI gali analizuoti duomenų modelius ir pasiūlyti rekomendacijas, kaip pagerinti ataskaitas arba vizualizacijas. Tai yra naudinga, kai norime optimizuoti duomenų analizės procesą.
- Naturaliosios kalbos apdorojimas: Power BI gali interpretuoti natūraliąją kalbą ir atlikti užklausas. Tai leidžia vartotojams greičiau gauti atsakymus iš duomenų.
- Prognozavimas ir išvados: Power BI gali naudoti AI modelius prognozuoti ateities tendencijas ir padėti priimti strateginius sprendimus.
Šie aspektai padeda organizacijoms išgauti daugiau vertės iš savo duomenų ir geriau suprasti verslo veiklą.
Duomenų prognozavimas
Power BI duomenų prognozavimas yra funkcija, kuri leidžia jums numatyti ateities tendencijas ir rezultatus pagal esamus duomenis. Ši funkcija yra naudinga, kai norime prognozuoti pardavimus, klientų skaičių, atsargas ar kitus verslo rodiklius.

Kaip tai veikia?
- Duomenų modelio paruošimas: Pirmiausia turime sukurti duomenų modelį su istoriniais duomenimis. Tai gali būti pardavimų, lankytojų, finansinių ar kitų duomenų rodikliai.
- Pasirinkimas prognozavimui: Pasirinkę prognozavimo funkciją, galime nurodyti, ką norime prognozuoti (pvz., pardavimus per ateinančius mėnesius).
- Modelio apmokymas: Power BI naudoja statistinius algoritmus, kad apmokyti modelį ir prognozuoti ateities reikšmes.
- Prognozių vizualizavimas: Galime vizualizuoti prognozes grafikuose, diagramose ar lentelėse.
Power BI duomenų prognozavimas padeda priimti strateginius sprendimus ir geriau planuoti verslo veiklą ateityje.
Tootip parametras

Power BI Tooltip yra funkcionalumas, kuris leidžia pridėti papildomą informaciją prie vizualizacijų, kai pelės žymeklis yra nukreiptas į tam tikrą duomenų tašką. Šie pasirinktiniai paaiškinimai gali padėti giliau suprasti duomenis ir suteikti kontekstą.
Kai pelės žymeklis yra nukreiptas į vizualizaciją, atsiranda mažas langelis su papildoma informacija. Šis langelis gali būti pritaikytas pagal jūsų poreikius ir gali apimti įvairius elementus, tokius kaip teksto aprašymai, nuotraukos arba net kitos vizualizacijos.
Power BI Tooltip yra puikus būdas pagerinti duomenų atvaizdavimą ir padėti vartotojams geriau suprasti duomenis, kuriuos jie stebi.
Lentelių ryšiai
Power BI lentelių ryšiai yra svarbus konceptas, leidžiantis sukurti sudėtingesnius duomenų modelius ir analizuoti duomenis. Štai keletas esminių dalykų apie Power BI lentelių ryšius:
1. Kas tai yra?
- Lentelių ryšiai yra būdas susieti duomenų lentelės tarpusavyje.
- Jie leidžia kurti sąryšius tarp skirtingų lentelių, kad galėtumėte atlikti sudėtingesnes analizes ir vizualizacijas.
1. Kaip jie veikia?
- Lentelių ryšiai yra pagrįsti bendrais stulpeliais arba laukais, kurie yra bendri abiejose lentelėse.
- Pavyzdžiui, galite turėti klientų lentelę su kliento ID, o pardavimų lentelę su tuo pačiu kliento ID. Šis bendras stulpelis leidžia susieti šias dvi lentelės.
1. Kodėl jie svarbūs?
- Lentelių ryšiai leidžia jums kurti sudėtingesnius duomenų modelius, kuriuose galite atlikti daugiau analizės ir gauti tikslesnius rezultatus.
- Jie taip pat palengvina duomenų transformaciją ir filtravimą.
1. Kaip sukurti lentelių ryšius?
- Atidarykite „Power BI Desktop“ ir įkelkite savo duomenų šaltinį.
- Pasirinkite „Model“ skydelį ir paspauskite „Manage Relationships“.
- Sukurkite ryšius tarp lentelių, nurodydami bendrus stulpelius arba laukus.
Lentelių ryšiai yra galingas įrankis, leidžiantis geriau suprasti ir analizuoti duomenis.
„Kas-jeigu“ funkcionalumas
What-If yra funkcija, kuri leidžia modeliuoti ir simuliuoti skirtingus scenarijus, keičiant parametrus ar kintamuosius. Ši funkcija yra naudinga, kai norime matyti, kaip tam tikri veiksniai paveiktų mūsų duomenų analizės rezultatus.
What-If funkcija leidžia:
1. Kurti parametrus: Galime sukurti parametrus, kurie veiks kaip kintamieji mūsų ataskaitose. Pavyzdžiui, galime sukurti parametrą, kuris nurodo nuolaidos procentą.
2. Sukurti matavimus: Kartu su parametrais automatiškai sukuriami matavimai, kurie leidžia vizualizuoti šių parametrų dabartinę vertę. Pavyzdžiui, galime sukurti matavimą, kuris atvaizduoja pardavimų sumą po nuolaida.
3. Naudoti slankiklius: Parametrus galime naudoti kaip slankiklius ataskaitose. Slankikliai leidžia interaktyviai keisti parametrų vertes ir stebėti, kaip tai veikia matavimus.
Pavyzdžiui, galime sukurti parametrą, kuris nurodo nuolaidos procentą, ir matavimą, kuris atvaizduoja pardavimų sumą po taikytos nuolaidos. Taip galime stebėti, kaip skirtingos nuolaidos paveiktų mūsų verslo rezultatus.
Žymės (angl. Bookmark)
Power BI Žymės (angl. Bookmark) yra galingas įrankis, leidžiantis jums greitai ir efektyviai kurti ataskaitas bei informacines paneles. Šios žymės yra iš anksto sukonfigūruoti modeliai, kurie apima duomenų transformavimą, vizualizacijas ir interaktyvumą. Į juos įeina įvairios funkcijos, tokiomis kaip:
1. Duomenų transformavimas: Šablonai jau turi nustatytus duomenų šaltinius ir transformavimo žingsnius. Jums tereikia prisijungti prie savo duomenų šaltinio ir pritaikyti šabloną.
2. Vizualizacijos: Šablonai turi iš anksto sukurias vizualizacijas, tokiomis kaip diagramos, lentelės ir grafikai. Jūs galite pritaikyti šias vizualizacijas savo duomenims.
3. Interaktyvumas: Šablonai gali turėti interaktyvius filtrus, rodiklius ir navigacijos elementus. Tai leidžia jums greitai peržiūrėti ir analizuoti duomenis.
Kaip naudotojas, jūs galite pasirinkti tinkamą šabloną, pritaikyti jį savo poreikiams ir pradėti kurti ataskaitą ar informacinę panelę. Tai yra puikus būdas sutaupyti laiko ir pasinaudoti jau sukurtomis funkcijomis, kad galėtumėte greitai pristatyti rezultatus.
Drill veiksmai
Power BI drill veiksmai leidžia jums giliau analizuoti duomenis ir išgauti įžvalgas iš jūsų ataskaitų ir informacinių panelių. Šie veiksmai leidžia:
- Drill-down: Nukreipti nuo aukštesnio lygio į žemesnį lygį hierarchijoje. Pavyzdžiui, galite pradėti nuo metų ir pereiti prie ketvirčio, mėnesio ir dienos.
- Drill-up: Grįžti atgal į aukštesnį lygį hierarchijoje. Pavyzdžiui, galite grįžti nuo dienos į mėnesį arba nuo segmento į gamintoją.
- Expand: Išplėsti duomenis, kad pamatytumėte daugiau detalės. Pavyzdžiui, galite išplėsti kategoriją, kad pamatytumėte visus jos produktus.
Norėdami naudoti šiuos veiksmus, jūsų Power BI vizualizacijos turi turėti aiškią arba neaiškią hierarchiją. Galite pasiekti šiuos veiksmus, paspaudę ant vizualizacijos arba naudodami veiksmų juostos ikonas.
DAX formulių rašymas
DAX yra duomenų analizės išraiškų (angl. Data Analysis Expressions) kalba, kuri leidžia kurti formulės ir išraiškas Power BI, Analysis Services ir Power Pivot duomenų modeliuose. Ši kalba yra galinga ir naudinga, kai norime atlikti skaičiavimus, filtravimus ar kitas operacijas su duomenimis.

Štai keletas svarbių dalykų apie Power BI DAX:
- Funkcijos ir operatoriai: DAX turi daugybę funkcijų ir operatorių, kurie leidžia manipuliuoti duomenimis. Pavyzdžiui, galime naudoti funkciją SUM norėdami susumuoti stulpelio reikšmes arba operatorių FILTER, kad filtruotume duomenis pagal tam tikrus kriterijus.
- Kontekstas: DAX veikia kontekste. Tai reiškia, kad skaičiavimai priklauso nuo to, kurioje vietoje esame duomenų modelyje. Galime turėti filtrų, eilučių ir stulpelių kontekstą.
- Formulės: DAX leidžia kurti sudėtingas formulės, kurios gali apimti sąlygas, ciklus ir kitus veiksmus. Pavyzdžiui, galime sukurti formulę, kuri apskaičiuoja metinį pardavimų augimą.
- Skaičiavimai: DAX leidžia kurti skaičiavimus, kurie gali būti naudojami ataskaitose, matavimuose arba vizualizacijose. Tai gali būti suma, vidurkis, procentas ir kt.
Power BI DAX yra galingas įrankis, kuris padeda mums giliau analizuoti ir išgauti įžvalgas iš duomenų.
Power Query
Power Query yra duomenų transformavimo ir paruošimo variklis. Jis leidžia prisijungti prie įvairių duomenų šaltinių, formuoti ir transformuoti duomenis pagal savo poreikius, o tada įkelti šį modelį į Power BI Desktop.

Power Query Editor yra įrankis, kurį galima pasiekti pasirinkus Transformuoti duomenis iš Power BI Desktop pagrindinio meniu. Šis redaktorius leidžia jums:
- Prisijungti prie vieno ar kelių duomenų šaltinių.
- Formuoti ir transformuoti duomenis.
- Įkelti duomenų modelį į Power BI Desktop.
Power Query Editor turi keletą svarbių komponentų:
1. Juostelė: Juostelėje yra keturios kortelės: Pagrindinis, Transformuoti, Pridėti stulpelį, Peržiūrėti, Įrankiai ir Pagalba. Pagrindinė kortelė leidžia prisijungti prie duomenų ir pradėti užklausos kūrimo procesą.
2. Užklausų skydelis: Kairiame skydelyje pateikiamos visos užklausos, kurios yra pasirinktos, peržiūrai ir formavimui.
3. Duomenų rodinys: Centre esančiame skydelyje rodomi pasirinktos užklausos duomenys, kurie taip pat yra formuojami.
4. Užklausos nustatymų skydelis: Šiame skydelyje pateikiami užklausos savybės ir taikyti žingsniai.
Power Query Editor leidžia jums gauti, transformuoti ir valdyti duomenis, kad galėtumėte sukurti galingus ataskaitų ir informacinių panelių modelius Power BI Desktop.
SQL užklausų naudojimas
Power BI SQL užklausų naudojimas leidžia jums tiesiogiai prisijungti prie duomenų šaltinio, kuris yra SQL duomenų bazė, ir naudoti SQL užklausas savo ataskaitose ir informacinėse panelėse. Šis procesas leidžia gauti realaus laiko duomenis ir kurti dinamiškas ataskaitas, kurios atnaujinamos automatiškai, kai duomenys pasikeičia serverio pusėje. Tai yra itin naudinga, jei norite stebėti duomenų pokyčius ir analizuoti informaciją iš skirtingų šaltinių.

Norint naudoti SQL užklausas su Power BI, reikia atlikti šiuos žingsnius:
1. Atidarykite Power BI Desktop.
2. Pasirinkite Gauti duomenis.
3. Pasirinkite SQL Server kaip duomenų šaltinį.
4. Nurodykite prisijungimo parametrus (pavyzdžiui, prisijungimo vardą, slaptažodį, serverio adresą ir duomenų bazės pavadinimą).
5. Sukurkite SQL užklausą, kuri atitinka jūsų poreikius.
6. Pasirinkite Įkelti.
Šis procesas leidžia tiesiogiai prisijungti prie SQL duomenų bazės ir kurti ataskaitas, kurios atnaujinamos automatiškai, kai duomenys pasikeičia.
Python integravimas
Power BI Python integravimas leidžia tiesiogiai vykdyti Python skriptus „Power BI Desktop“ ir importuoti gautus duomenis į „Power BI Desktop“ duomenų modelį. Šis funkcionalumas suteikia galimybę kurti sudėtingesnes analizes ir vizualizacijas. Štai keletas svarbių dalykų apie Power BI Python integravimą:
1. Reikia Python įdiegimo:
- Norint naudoti Python skriptus „Power BI Desktop“, reikia įdiegti Python į savo vietinį kompiuterį. Python galima atsisiųsti iš Python svetainės.
- Power BI Python integravimui reikia įdiegti šias dvi Python paketas:
  - Pandas: Tai duomenų manipuliavimo ir analizės biblioteka. Duomenys turi būti pandas duomenų rėmelyje, kad juos būtų galima importuoti į Power BI.
  - Matplotlib: Tai Python grafikos biblioteka, skirta braižyti diagramas ir grafikus.
2. Įjungti Python skriptavimą:
- Atidarykite „Power BI Desktop“, pasirinkite „File > Options and settings > Options > Python scripting“.
- Nurodykite savo lokalų Python įdiegimo kelią.
- Pasirinkite „OK“.
- Svarbu, kad Power BI vykdytų skriptus naudodamas python.exe iš nurodyto katalogo. Jei naudojate kitą Python distribuciją (pvz., Conda), gali kilti problemų. Rekomenduojama naudoti oficialią Python distribuciją iš Python svetainės.
3. Kurti Python skriptus:
- Sukurkite skriptą savo Python vystymo aplinkoje ir įsitikinkite, kad jis veikia.
- Python skriptai turi laikytis šių apribojimų:
  - Importuojami tik pandas duomenų rėmeliai.
  - Skriptai, vykstantys ilgiau nei 30 minučių, nutraukiami.
  - Interaktyvūs skambučiai Python skripte, pvz., laukimas vartotojo įvesties, stabdo skripto vykdymą.
  - Jei nustatote darbinį katalogą Python skripte, nurodykite visą kelią, o ne santykinį kelią.
Power BI Python integravimas suteikia galimybę kurti galingas ataskaitas ir vizualizacijas, naudojant Python duomenis.
Duomenys iš WEB puslapių
Power BI duomenys iš WEB puslapių yra galimybė, kuri leidžia tiesiogiai prisijungti prie internetinių šaltinių ir gauti duomenis į savo ataskaitas. Tai naudinga, kai norime atnaujinti duomenis iš dinamiškų šaltinių, tokiose srityse kaip finansai, prekyba, naujienos arba viešieji duomenys.

Kaip tai veikia?
1. Pasirinkimas “WEB”: Power BI leidžia pasirinkti “WEB” kaip duomenų šaltinį.
2. URL nurodymas: Įvedame internetinio puslapio URL, iš kurio norime gauti duomenis.
3. Duomenų importavimas: Power BI atlieka duomenų importavimą iš šaltinio ir leidžia juos naudoti ataskaitose.
Tai suteikia galimybę dinamiškai atnaujinti duomenis iš interneto ir integruoti juos į savo analizės projektus.
Temų kūrimas
Šablonai
Power BI šablonai yra galingas įrankis, leidžiantis jums greitai ir efektyviai kurti ataskaitas bei informacines paneles. Šie šablonai yra iš anksto sukonfigūruoti modeliai, kurie apima duomenų transformavimą, vizualizacijas ir interaktyvumą. Į juos įeina įvairios funkcijos, tokiomis kaip:
1. Duomenų transformavimas: Šablonai jau turi nustatytus duomenų šaltinius ir transformavimo žingsnius. Jums tereikia prisijungti prie savo duomenų šaltinio ir pritaikyti šabloną.
2. Vizualizacijos: Šablonai turi iš anksto sukurias vizualizacijas, tokiomis kaip diagramos, lentelės ir grafikai. Jūs galite pritaikyti šias vizualizacijas savo duomenims.
3. Interaktyvumas: Šablonai gali turėti interaktyvius filtrus, rodiklius ir navigacijos elementus. Tai leidžia jums greitai peržiūrėti ir analizuoti duomenis.
Kaip naudotojas, jūs galite pasirinkti tinkamą šabloną, pritaikyti jį savo poreikiams ir pradėti kurti ataskaitą ar informacinę panelę. Tai yra puikus būdas sutaupyti laiko ir pasinaudoti jau sukurtomis funkcijomis, kad galėtumėte greitai pristatyti rezultatus.

Jei norite naudoti Power BI šablonus, atidarykite Power BI Desktop ir pasirinkite tinkamą šabloną arba sukūrę savo šabloną, galite jį eksportuoti ir pasidalinti su kitais naudotojais.

Kurso artimiausios grupės

Sertifikatai

Kiekvienas studentas, baigęs bent vieną modulį, yra sertifikuojamas Datacademy „sėkmingai baigęs“ sertifikatu.
Datacademy suteikia papildomas nemokamas konsultacijas tol kol kursus baigę profesionalai, ekspertai ir mokslininkai įgys tarptautinius Microsoft sertifikatus ir LinkedIn įgūdžių įvertinimus.
Studentai, baigę ne mažiau kaip 3 modulių programas ir surinkę daugiau nei 40 balų, yra sertifikuojami atitinkamai pagal galutinį kurso vertinimą:‌
‌40+ = "Specialistas"‌80+ = "Profesionalas"‌‌90+ = "Ekspertas"‌‌100 = "Mokslininkas"

Studentų atsiliepimai

Perėjus pilną Datacademy duomenų analitiko programą: SQL, Power BI ir Python - buvo gauti stiprūs visų dalių pagrindai bei tuo pačiu atėjo supratimas kiek daug praktinių galimybių atveri... Daugiau >>

Baigiamasis darbas

Erika Gečaitė

Patiko nuoširdus dėstymo būdas ir stengimasis maksimaliai duoti naudos per paskaitų laiką. Puikus gebėjimas prisitaikyti prie mano individualių poreikių ir klausimų, o ne tik aklai išdėst... Daugiau >>

Baigiamasis darbas

Kęstutis Gricius

Datacademy sukūrė nuostabią mokymo atmosferą. Mokymo medžiaga yra suprantama, pilna praktinių užduočių, o individualus požiūris atspindi kiekvieno mokymosi tempą. Malonu matyti, kaip vert... Daugiau >>

Vaizdo įrašas

Eglė Černyšova

Finansų valdymo konsultantas

Dėstytojai

Rolandas Rimkevičius

Pilnas duomenų analitikos kursas, Pilnas duomenų inžinerijos kursas, SQL, Power BI, Python, Power Apps, Virtual Agent, Power Shell

Kristina Aldošina

Pilnas duomenų analitikos kursas, SQL, Power BI, Python

Alina Anisimova

SQL, Power BI, Python

Pažangios duomenų analitikos mokymai naudojant programinį kodą - Python, SQL ir DAX

Kurso programa

Modulio temos

Python pagrindai

Python taikymas duomenų analitikai

Modulio temos

SQL serveriai

Duomenų bazių struktūros

Lentelių ryšiai

Lentelių raktai

SQL užklausos

Duomenų filtravimas

Duomenų agregavimas

Duomenų grupavimas

Papildomos užklausos (angl. subquery)

Lentelių sujungimas

SQL funkcijos

Duomenų tipai

Duomenų bazių, lentelių, stulpelių kūrimas bei trynimas

Modulio temos

„Power BI Desktop“

Kurso artimiausios grupės

Sertifikatai

Studentų atsiliepimai

Dėstytojai

Rolandas Rimkevičius

Kristina Aldošina

Alina Anisimova

Nuolaidų sistema

Prenumeruokite
mūsų naujienlaiškį

Informacija

Kontaktai