Курс по Вайбкодингу: Анализ данных с Python

📚 Описание курса

Комплексный курс по практическому применению AI-кодинга (вайбкодинга) для анализа данных с использованием Python. Студенты будут:

1. Практиковаться с LLM: использовать платформы для AI-кодинга
2. Работать с Git: управлять версиями кода через GitVerse
3. Анализировать данные: написать код для анализа 10 различных датасетов
4. Документировать: создавать качественную документацию и комментарии
5. Тестировать: писать unit тесты для валидации функциональности
6. Автопроверку: отправлять решения на проверку через Gitverse CI/CD

🎯 Структура задания

10 вариантов анализа данных

Каждый студент получает один случайный вариант из 10 возможных:

Распределение происходит случайным образом при создании новой ветки (в которой вы и работаете) После создания ветки надо подождать некоторое время, возможно обновить странницу (не забыв перейти в ветку) На всякий случай заходим в CI/CD и проверяем что проверка pick-assignment отработала

Структура решения

submission/
├── assignment.py           # Основное решение (50-100 строк)
├── README.md                  # Документация
├── results.json               # Результаты анализа
└── visualization.png          # График/диаграмма
└── test.py          # файл с проверками

✅ Требования и критерии оценки

1. Качество кода

Проверяется:

• ✅ PEP 8 соответствие (flake8 проверка)
• ✅ Type hints в функциях (
  def func(x: int) -> str:
  )
• ✅ Длина строк ≤ 100 символов
• ✅ Имена переменных логичные и читаемые
• ✅ Отсутствие дублирования кода (DRY принцип)

2. Документация

Требуется:

• ✅ Module docstring (описание модуля в начале файла)
• ✅ Function docstrings (для каждой функции)
• ✅ Inline комментарии для сложной логики
• ✅ README.md с инструкциями

Структура docstring:

3. Unit тесты

Требуется:

• ✅ Файл
  test.py
  существует
• ✅ Минимум 5+ функций протестировано
• ✅ Все тесты проходят успешно
• ✅ Покрытие кода > 50%

Пример:

4. Функциональность

Проверяется:

• ✅ Выходной формат правильный (JSON/CSV/PNG)
• ✅ Вычисления математически верны
• ✅ Нет placeholder решений ("hello world")
• ✅ Визуализация информативна
• ✅ Статистика логична

Пример неправильного решения:

Пример правильного решения:

🚀 Как начать

1. Установка зависимостей

Файл

datasets>=2.10.0
numpy>=1.24.0
pandas>=2.0.0
matplotlib>=3.7.0
scikit-learn>=1.3.0
wordcloud>=1.9.0
flake8>=6.0.0
pytest>=7.0.0

2. Работа с вашим вариантом

3. Тестирование локально

4. Pull Request

Создайте Запрос на слияние в GirVerse. Автоматически запустятся GirVerse CI/CD для:

• Проверки PEP8
• Запуска unit тестов
• Запуска автопроверки
• Комментария с результатами

💡 Использование LLM для вайбкодинга

Пример диалога с ChatGPT:

User: Мне нужно написать функцию для анализа тональности отзывов IMDb.
      Должны быть: распределение позитивных/негативных, статистика длины, 
      топ слова, визуализация.

ChatGPT: Вот функция analyze_sentiment_distribution...

User: Добавь type hints и docstring согласно Google style

ChatGPT: 
def analyze_sentiment(dataset: List[Dict]) -> Dict[str, Any]:
    """
    Анализирует тональность отзывов.

    Args:
        dataset: Список словарей с полями 'text' и 'label'.

    Returns:
        Dict с ключами: positive, negative, positive_percent, negative_percent.
    """
    ...

📊 Примеры выводов

JSON результаты (imdb_results.json)

CSV результаты (imdb_top_words.csv)

word,frequency
movie,245
film,189
great,156
good,143
bad,132

PNG визуализация

Примеры графиков:

• Гистограммы: распределение по категориям
• Box plots: статистика по признакам
• Scatter plots: корреляции между переменными
• Word clouds: облака слов
• Pie charts: круговые диаграммы

GitVerse CI/CD

После push-a в GitVerse автоматически:

1. Setup - устанавливает зависимости
2. Linting - проверяет PEP8 (flake8)
3. Testing - запускает unit тесты (pytest)
4. Grading - автопроверка (autograder.py)
5. Reporting - комментарий в PR с результатами

📝 Типичные ошибки

❌ Неправильно

✅ Правильно

🎓 Учебные ресурсы

1. PEP 8 Style Guide: https://pep8.org/
2. Google Python Style Guide: https://google.github.io/styleguide/pyguide.html
3. Hugging Face Datasets: https://huggingface.co/datasets
4. Matplotlib документация: https://matplotlib.org/
5. Pytest гайд: https://docs.pytest.org/

❓ FAQ

Q: Могу ли я использовать ChatGPT для написания кода? A: Да, это цель этого курса! Но вы должны понимать код и адаптировать его под вашу задачу.

Q: Должен ли я написать весь код с нуля? A: Нет. Используйте LLM, но убедитесь, что:

• Код действительно решает задачу
• У вас есть unit тесты
• У вас есть документация

Q: Что если autograder выдает ошибку? A: Проверьте:

1. Загружается ли датасет корректно
2. Все ли выходные файлы создаются
3. Все ли тесты проходят локально

Q: Можно ли использовать разные библиотеки? A: Нужно использовать стандартные: numpy, pandas, matplotlib. Другие требуют одобрения.

Удачи с заданием! 🚀