Představíme si novinky, které jsou dostupné v Pythonu verze 3.11 v oblasti zpracování výjimek. Jedná se především o zpracování skupiny výjimek, jejich použití a nově o filtrování výjimek. Představíme si jejich využití také v oblasti asynchronního programování.

Táto prednáška sa zaoberá distribuovaným výpočtom pomocou modulu Dask v jazyku Python. Distribuovaný výpočet je technika, ktorá umožňuje paralelné spracovanie veľkého množstva dát alebo výpočtovo náročných úloh na viacerých počítačoch.
Modul Dask je open-source nástroj, ktorý poskytuje abstrakciu nad distribuovaným výpočtom a umožňuje efektívne spravovať a vykonávať úlohy na distribuovaných počítačových zdrojoch, ako sú viacjadrové počítače, clustre alebo cloudové prostredia. V tejto prednáške sa naučíme základné princípy a funkcie modulu Dask. Začneme s úvodným vysvetlením distribuovaného výpočtu a jeho výhodami v kontexte veľkých objemov dát a náročných výpočtových úloh. Následne sa budeme venovať dôležitým konceptom v module Dask, ako sú Dask bag a Dask dataframe. Dask bag je dátová štruktúra podobná rozšírenému zoznamu, ktorá umožňuje distribuované spracovanie a operácie na veľkých kolekciách dát. Dask dataframe je podobný konceptu Pandas dataframe, ktorý je schopný spracovať dáta, ktoré nezmestia do pamäte jedného počítača. Potom sa naučíme, ako vytvárať a spravovať distribuované výpočtové grafy pomocou modulu Dask. Na záver prednášky si ukážeme, ako vizualizovať výsledky výpočtov a ako vyhodnotiť ich výkon a efektivitu. Tento prehľad modulu Dask vám umožní efektívne a efektívne spracovávať veľké dátové súbory pomocou distribuovaných zdrojov v jazyku Python.
Po tejto prednáške budete mať dobré porozumenie distribuovaného výpočtu pomocou modulu Dask v jazyku Python a budete schopní použiť túto knižnicu na spracovanie veľkých dátových súborov a trénovanie strojových modelov.

Programování hardware pomocí Python? Není problém. V přednášce se podíváme na rozdíl mezi MicroPython a CircuitPython. Uděláme si ukázky dostupného hardware a nástrojů. Na několika praktických ukázkách s fyzickým hardware si uděláte základní představu, jaké jsou možnosti a k čemu to celé lze použít.

Táto prednáška sa zaoberá zhlukovaním (clusteringom) dát pomocou algoritmu K-means v jazyku Python. Zhlukovanie je technika, ktorá nám umožňuje rozdeliť súbor dát do skupín (zhlukov) na základe ich podobnosti. Algoritmus K-means je jedným z najpoužívanejších algoritmov pre zhlukovanie a je relatívne jednoduchý na implementáciu. V tejto prednáške sa naučíme základné kroky algoritmu K-means a ako ich implementovať v jazyku Python. Budeme potrebovať knižnicu Scikit-learn, ktorá nám poskytne potrebné nástroje pre implementáciu algoritmu. Po úvodnom vysvetlení zhlukovania a algoritmu K-means sa budeme venovať samotnej implementácii. Najprv na importujeme potrebné knižnice a načítame dáta, ktoré chceme zhlukovať. Potom budeme musieť vykonať predspracovanie dát, napríklad škálovanie, aby sme dosiahli lepšie výsledky. Po predspracovaní dát nasleduje implementácia samotného algoritmu K-means. Vysvetlíme si, ako inicializovať stredy zhlukov, a následne iteratívne priradíme jednotlivé vzorky k najbližšiemu stredovému bodu a aktualizujeme pozície stredov. Tento proces opakujeme, kým sa pozície stredov už viac nemenia alebo dosiahneme určený počet iterácií. Na záver prednášky si ukážeme, ako vyhodnotiť výsledky zhlukovania a ako vizualizovať výsledné zhluky. Po tejto prednáške budete mať solídne porozumenie algoritmu K-means a budete schopní implementovať zhlukovanie dát pomocou jazyka Python. Tento algoritmus je výkonný nástroj pre analýzu dát a nachádza uplatnenie v rôznych oblastiach, od priemyselnej analýzy dát po bio informatiku a sociálnu sieťovú analýzu.