Традиційний спосіб:      Спосіб Colab:
1. Встановити Python     1. Відкрити браузер
2. Встановити бібліотеки 2. Почати кодити
3. Налаштувати середовище  (Це все!)
4. Виправити баги встановлення
5. Почати кодити

[ + Код ]  [ + Текст ]    ← Кнопки для додавання осередків

┌─────────────────────────────────────────┐
│  # Напишіть код тут                     │
│  ▶ Кнопка запуску                       │
└─────────────────────────────────────────┘

print("Привіт, Машинне навчання!")

Привіт, Машинне навчання!

!pip install pandas numpy matplotlib seaborn scikit-learn

import pandas as pd
import numpy as np
import matplotlib.pyplot as plt

print("Бібліотеки успішно завантажені!")

# Створити простий датасет про замовлення піци
data = pd.DataFrame({
    'день': ['Понеділок', 'Вівторок', 'Середа', 'Четвер', "П'ятниця"],
    'замовлення': [120, 135, 128, 142, 210]
})

print("Датасет створено!")
print(data)

         день  замовлення
0   Понеділок         120
1     Вівторок         135
2      Середа         128
3      Четвер         142
4    П'ятниця         210

# Знайти середню кількість замовлень
average = data['замовлення'].mean()
print(f"Середня кількість замовлень: {average}")

# Знайти найзавантаженіший день
busiest_day = data.loc[data['замовлення'].max() == data['замовлення'], 'день'].values[0]
print(f"Найзавантаженіший день: {busiest_day}")

Середня кількість замовлень: 147.0
Найзавантаженіший день: П'ятниця

# Побудувати дані
plt.figure(figsize=(10, 6))
plt.bar(data['день'], data['замовлення'], color='steelblue')
plt.title('Замовлення піци за днем', fontsize=16)
plt.xlabel('День')
plt.ylabel('Кількість замовлень')
plt.show()

# Змінні зберігають значення
name = "Аліса"
age = 25
height = 1.68  # метри
is_student = True

print(name)  # Аліса
print(age)   # 25

# Integer (ціле число)
num_pizzas = 5

# Float (десяткове)
price = 12.99

# String (текст)
customer_name = "Іван Коваль"

# Boolean (True або False)
is_delivered = False

# List (колекція елементів)
toppings = ["пепероні", "гриби", "оливки"]

# Dictionary (пари ключ-значення)
order = {
    "customer": "Аліса",
    "pizzas": 2,
    "total": 25.98
}

# Створити список
days = ["Пн", "Вт", "Ср", "Чт", "Пт"]

# Доступ до елементів (починається з 0!)
print(days[0])  # Пн
print(days[4])  # Пт

# Додати елементи
days.append("Сб")

# Довжина
print(len(days))  # 6

# Створити словник
customer = {
    "name": "Боб",
    "age": 30,
    "orders": 15
}

# Доступ до значень
print(customer["name"])  # Боб

# Додати новий ключ
customer["email"] = "bob@example.com"

# Перевірити, чи існує ключ
if "age" in customer:
    print("Вік збережено")

# Визначити функцію
def calculate_total(price, quantity):
    total = price * quantity
    return total

# Використати функцію
result = calculate_total(12.99, 3)
print(result)  # 38.97

# Цикл for
days = ["Пн", "Вт", "Ср"]
for day in days:
    print(f"Працюю в {day}")

# Цикл while
count = 0
while count < 5:
    print(count)
    count += 1

temperature = 25

if temperature > 30:
    print("Спекотний день!")
elif temperature > 20:
    print("Гарна погода")
else:
    print("Холодний день")

import pandas as pd

# Створити DataFrame
data = pd.DataFrame({
    'Ім\'я': ['Аліса', 'Боб', 'Чарлі'],
    'Вік': [25, 30, 35],
    'Місто': ['Київ', 'Львів', 'Одеса']
})

print(data)

     Ім'я  Вік  Місто
0   Аліса   25   Київ
1     Боб   30  Львів
2  Чарлі   35  Одеса

# Показати перші рядки
data.head()

# Отримати стовпець
data['Вік']

# Фільтрувати рядки
data[data['Вік'] > 28]

# Обчислити статистику
data['Вік'].mean()

# Перевірити відсутні значення
data.isnull()

# Заповнити відсутні значення
data.fillna(0)

import numpy as np

# Створити масив
numbers = np.array([1, 2, 3, 4, 5])

# Математичні операції (поелементні)
print(numbers * 2)     # [2, 4, 6, 8, 10]
print(numbers + 10)    # [11, 12, 13, 14, 15]
print(np.sqrt(numbers))  # Квадратні корені

# Статистика
print(np.mean(numbers))  # 3.0
print(np.median(numbers))  # 3.0
print(np.std(numbers))  # 1.414...

# 2D масиви (матриці)
matrix = np.array([[1, 2], [3, 4]])
print(matrix)

import matplotlib.pyplot as plt

# Лінійний графік
x = [1, 2, 3, 4, 5]
y = [2, 4, 6, 8, 10]

plt.plot(x, y)
plt.title('Простий лінійний графік')
plt.xlabel('Вісь X')
plt.ylabel('Вісь Y')
plt.show()

# Стовпчикова діаграма
categories = ['A', 'B', 'C']
values = [10, 20, 15]

plt.bar(categories, values, color='green')
plt.title('Стовпчикова діаграма')
plt.show()

# Гістограма
data = [1, 2, 2, 3, 3, 3, 4, 4, 5]
plt.hist(data, bins=5, edgecolor='black')
plt.title('Розподіл')
plt.show()

import seaborn as sns
import pandas as pd

# Створити зразкові дані
data = pd.DataFrame({
    'x': [1, 2, 3, 4, 5],
    'y': [2, 4, 5, 4, 6],
    'категорія': ['A', 'B', 'A', 'B', 'A']
})

# Діаграма розсіювання з категоріями
sns.scatterplot(data=data, x='x', y='y', hue='категорія')
plt.show()

# Box plot
sns.boxplot(data=data, x='категорія', y='y')
plt.show()

# Теплова карта (кореляція)
sns.heatmap(data[['x', 'y']].corr(), annot=True)
plt.show()

from sklearn.linear_model import LinearRegression

# Дані для навчання (години навчання vs оцінка на іспиті)
hours = [[1], [2], [3], [4], [5]]
scores = [50, 60, 70, 80, 90]

# Створити та навчити модель
model = LinearRegression()
model.fit(hours, scores)

# Зробити прогноз
prediction = model.predict([[6]])
print(f"Якщо ви навчаєтесь 6 годин, прогнозована оцінка: {prediction[0]:.0f}")
# Вивід: 100

# Цей код перевіряє відсутні значення
import pandas as pd

data = pd.read_csv('your_file.csv')  # ← Вам потрібен власний файл
missing = data.isnull().sum()
print(missing)

Порядок виконання осередків має значення!

Осередок 1: x = 10           ← Запустити першим
Осередок 2: print(x)         ← Запустити другим (працює, виводить 10)
Осередок 3: print(y)         ← Запустити перед визначенням y (ПОМИЛКА!)
Осередок 4: y = 20           ← Визначити y
Осередок 3 (знову): print(y) ← Тепер працює

import pandas as pd

!pip install seaborn

import pandas as pd
import matplotlib.pyplot as plt

# Дані про продажі піци
pizza_sales = pd.DataFrame({
    'день': ['Пн', 'Вт', 'Ср', 'Чт', 'Пт', 'Сб', 'Нд'],
    'pizzas_sold': [120, 135, 128, 142, 210, 230, 180],
    'revenue': [1560, 1755, 1664, 1846, 2730, 2990, 2340]
})

print("Дані завантажені!")
print(pizza_sales)

# Базова статистика
print("\n📊 Статистика:")
print(pizza_sales.describe())

# Загальна кількість проданих піц цього тижня
total_pizzas = pizza_sales['pizzas_sold'].sum()
print(f"\nЗагалом продано піц: {total_pizzas}")

# Середній денний дохід
avg_revenue = pizza_sales['revenue'].mean()
print(f"Середній денний дохід: ${avg_revenue:.2f}")

# Найкращий день
best_day = pizza_sales.loc[pizza_sales['revenue'].idxmax(), 'день']
best_revenue = pizza_sales['revenue'].max()
print(f"Найкращий день: {best_day} (${best_revenue})")

# Продажі за днями
plt.figure(figsize=(12, 5))

# Графік 1: Продані піци
plt.subplot(1, 2, 1)
plt.bar(pizza_sales['день'], pizza_sales['pizzas_sold'], color='orange')
plt.title('Продані піци за днем')
plt.xlabel('День')
plt.ylabel('Кількість піц')
plt.xticks(rotation=45)

# Графік 2: Дохід
plt.subplot(1, 2, 2)
plt.plot(pizza_sales['день'], pizza_sales['revenue'], marker='o', linewidth=2, color='green')
plt.title('Дохід за днем')
plt.xlabel('День')
plt.ylabel('Дохід ($)')
plt.xticks(rotation=45)
plt.grid(True, alpha=0.3)

plt.tight_layout()
plt.show()

# 1. Яка ціна за піцу?
avg_price = pizza_sales['revenue'].sum() / pizza_sales['pizzas_sold'].sum()
print(f"Середня ціна за піцу: ${avg_price:.2f}")

# 2. Вихідні vs Будні
weekday_avg = pizza_sales.iloc[:5]['pizzas_sold'].mean()
weekend_avg = pizza_sales.iloc[5:]['pizzas_sold'].mean()
print(f"Середнє у будні: {weekday_avg:.0f} піц")
print(f"Середнє у вихідні: {weekend_avg:.0f} піц")
print(f"Підйом у вихідні: {((weekend_avg - weekday_avg) / weekday_avg * 100):.1f}%")

# 3. Знайти повільні дні (нижче середнього)
avg_sales = pizza_sales['pizzas_sold'].mean()
slow_days = pizza_sales[pizza_sales['pizzas_sold'] < avg_sales]
print(f"\nПовільні дні (нижче {avg_sales:.0f} піц):")
print(slow_days[['день', 'pizzas_sold']])

# Створити середовище
python -m venv ml_env

# Активувати (Windows)
ml_env\Scripts\activate

# Активувати (Mac/Linux)
source ml_env/bin/activate

# Встановити бібліотеки
pip install pandas numpy matplotlib seaborn scikit-learn

# Деактивувати після завершення
deactivate

Shift + Enter    Запустити поточний осередок і перейти до наступного
Ctrl + Enter     Запустити поточний осередок і залишитися
Ctrl + M B       Вставити осередок нижче
Ctrl + M A       Вставити осередок вище
Ctrl + M D       Видалити осередок
Ctrl + M Z       Скасувати видалення осередка

# Завантаження даних
data = pd.read_csv('file.csv')
data = pd.read_excel('file.xlsx')

# Перевірка даних
data.head()          # Перші 5 рядків
data.tail()          # Останні 5 рядків
data.info()          # Типи стовпців та підрахунки
data.describe()      # Статистика
data.columns         # Назви стовпців
data.shape           # (рядки, стовпці)

# Відсутні значення
data.isnull().sum()              # Підрахувати відсутні на стовпець
data.dropna()                    # Видалити рядки з відсутніми
data.fillna(value)               # Заповнити відсутні значенням

# Вибір даних
data['column']                   # Один стовпець
data[['col1', 'col2']]          # Кілька стовпців
data[data['age'] > 25]          # Фільтрувати рядки

# Базова статистика
data['column'].mean()            # Середнє
data['column'].median()          # Медіана
data['column'].std()             # Стандартне відхилення
data['column'].min()             # Мінімум
data['column'].max()             # Максимум

# Побудова графіків
plt.plot(x, y)                   # Лінійний графік
plt.bar(x, y)                    # Стовпчикова діаграма
plt.scatter(x, y)                # Діаграма розсіювання
plt.hist(data)                   # Гістограма
plt.show()                       # Показати графік