Návody a tutoriály pro Python datovou vědu
Optuna 4.9 automatizuje ladění hyperparametrů v Pythonu. Naučte se Bayesovskou optimalizaci s TPE a GP samplery, prunery, paralelní běh a integrace s XGBoost, LightGBM i MLflow 3.0 na hotových příkladech pro rok 2026.
Produkční průvodce Apache Airflow Task Groups v Pythonu: TaskFlow API, dynamic mapping, nested groups, pooly a Assets s funkčními příklady kódu pro rok 2026.
Praktický průvodce Pydantic v2 pro validaci dat v Pythonu: BaseModel, TypeAdapter, field_validator, integrace s FastAPI a Pandas s ukázkami kódu pro rok 2026.
Praktický průvodce testováním datových pipeline v Pythonu pro rok 2026: pytest pro logiku, Great Expectations a Pandera pro kvalitu dat, dbt tests pro warehouse, plus testování idempotence a CI/CD vzory s reálným kódem.
Praktický průvodce nasazením ML modelů s FastAPI v roce 2026: Pydantic v2 schémata, lifespan, async vs sync, ONNX optimalizace, Prometheus metriky a Docker s Gunicornem.
Pandas 3.0 zapíná Copy-on-Write trvale, odstraňuje inplace argument a šetří 15-40 % paměti. Průvodce migrací z Pandas 2 s benchmarky a checklistem.
Polars překonává Pandas 5 až 15× díky Rustu, Apache Arrow a líné evaluaci. Praktické srovnání výkonu, migrace běžných vzorů a doporučení, kdy se přechod skutečně vyplatí.
Naučte se vybudovat ETL pipeline v Pythonu krok za krokem s Pandas a SQLAlchemy. Extrakce CSV, transformace a načtení do SQL databáze — s příklady kódu.
Kompletní průvodce DuckDB 1.1 v Pythonu pro rok 2026. Dotazujte Pandas DataFrame pomocí SQL, čtěte Parquet i CSV přímo z disku a dosáhněte řádově vyššího výkonu – bez serveru, bez konfigurace.
Naučte se efektivně používat Pandas GroupBy v Pythonu — od základní agregace přes transform a apply až po optimalizaci výkonu a novinky v Pandas 3.0.
Kompletní průvodce analýzou časových řad v Pythonu s Pandas 3.0. Parsování datumů, resampling, klouzavé průměry, sezónní dekompozice a predikce ARIMA — vše s funkčními příklady kódu, které můžete rovnou použít.
Naučte se klíčové techniky feature engineeringu v Pythonu — od kódování kategorických proměnných a škálování čísel po extrakci datumových příznaků a automatické generování interakcí. S funkčními příklady v Pandas 3.0 a scikit-learn 1.8.