Fortgeschrittenes Python

Tag 1: Objektorientiertes Python

• Ausnahmebehandlung (Exception Handling)
• Einführung in die objektorientierte Programmierung (OOP)
• Klassen und Instanzen
• Properties und deren Verwendung
• Dunder-Methoden und Operator Overloading
• Vererbung und Zusammensetzung
• Mehrfachvererbung
• Die super-Funktion
• Datenklassen
• Enums
• Python Type-System (Type Hinting)

Tag 2: Fortgeschrittene Objektorientierung

• Super – in depth:
• Abstrakte Klassen: Verwendung abstrakter Basisklassen zur Definition von Schnittstellen.
• Eigene Datentypen: Erstellung eigener Datentypen und deren Nutzung.
• Sub-Classing und Metaklassen.
• Dependency Injection.
• Python OOP Design Patterns: Umsetzung klassischer Design Patterns (Singleton, Factory usw.) in Python.
• Caching: Effiziente Nutzung von Caching-Mechanismen in Python-Anwendungen.

Tag 3: Funktionales Python

• Descriptor-Protokoll:
• Metaprogrammierung und Introspektion: Einsatz von Introspektion zur Laufzeit und Definition von Code auf höherer Ebene.
• Funktionale Programmierung in Python: Nutzung von Funktionen wie map, filter, reduce, sowie Lambda-Funktionen.
• Iteratoren und Generatoren: Erstellen von effizienten Iteratoren und Generatoren für speicherschonendes Arbeiten mit Datenströmen.
• Itertools: Verwendung der itertools-Bibliothek zur Erstellung von effizienten iterierbaren Konstrukten.

Tag 4: Persistenz

• JSON: Arbeiten mit JSON-Datenformaten, Parsing und Serialisierung.
• Pydantic: Einführung in die Pydantic-Bibliothek für Datenvalidierung und -verarbeitung in Python.
• Pickle: Persistierung von Python-Objekten mit pickle.
• Shelve: Nutzung von shelve zur einfachen Speicherung von Daten als Key-Value-Paare.
• DB-API: Einführung in die Python Database API (DB-API) zur Anbindung von Datenbanken.
• SQLite: Verwenden von SQLite für lokale Datenbanken in Python-Projekten.
• SQLAlchemy: Einführung in SQLAlchemy als ORM (Object Relational Mapping) zur Arbeit mit Datenbanken in Python.

Tag 5: Wissenschaftliches Python

• NumPy: Einführung in NumPy zur Arbeit mit multidimensionalen Arrays und numerischen Berechnungen.
• Pandas: Nutzung von Pandas für Datenanalyse und Datenmanipulation mit DataFrames.
• Matplotlib: Visualisierung von Daten mit Matplotlib.
• Einführung in Scikit-learn (sklearn): Grundlagen des maschinellen Lernens und Nutzung von sklearn für einfache ML-Modelle.