Jupyter Notebook je open-source aplikácia bežiaca v prehliadači od projektu Jupyter, ktorá v jednom dokumente spája spustiteľný kód, výsledky, grafy a vysvetľujúci text. Notebooky sa široko používajú v analýze údajov, strojovom učení, výskume a vzdelávaní, pretože každý krok možno zdokumentovať a zdieľať dohľadateľným spôsobom. Najčastejším jazykom je Python. Príklad: analytik načíta údaje o predaji, vyčistí ich a výsledky zobrazí ako graf priamo pod kódom.
Agenti, postupy a šablóny v jednom pracovnom priestore – bezplatné 24-hodinové demo.
Spustiť demoGoogle Colab (Colaboratory) je cloudová služba spoločnosti Google na spúšťanie kódu v Pythone v notebookoch v štýle Jupyter priamo v prehliadači, bez lokálnej inštalácie. Bezplatná verzia ponúka aj GPU a TPU, podľa dostupnosti a s obmedzeniami doby behu; platené tarify ponúkajú viac výpočtového výkonu. Colab je obľúbený vo výučbe, pri analýze údajov a vyskúšaní modelov a zabudovaný asistent Gemini pomáha písať a opravovať kód (stav k októbru 2026).
pandas je open-source knižnica Pythonu na analýzu a úpravu tabuľkových dát, ktorú od roku 2008 vyvíja Wes McKinney. Jej centrálny objekt DataFrame pripomína tabuľku s pomenovanými stĺpcami. Dá sa použiť na načítanie dát zo súborov CSV, Excelu alebo databáz a na ich čistenie, filtrovanie, zoskupovanie a spájanie. pandas je postavená na NumPy a je štandardným nástrojom pri analýze dát, reportingu a príprave trénovacích dát.
NumPy je základná open-source knižnica Pythonu na numerické výpočty. Poskytuje viacrozmerné polia a rýchle funkcie pre lineárnu algebru, štatistiku a náhodné čísla, pričom jej jadro beží v kompilovanom kóde. Na NumPy je postavených mnoho nástrojov na analýzu dát a strojové učenie, ako pandas, scikit-learn a početné knižnice na vizualizáciu. Kto pracuje s dátami v Pythone, používa ju preto takmer vždy, priamo alebo nepriamo.
Prieskumná analýza údajov (EDA, exploratory data analysis) je prvý, otvorený pohľad na súbor údajov: vypočítate súhrnné ukazovatele, preskúmate rozdelenia a grafy a hľadáte vzorce, odľahlé hodnoty a chýbajúce hodnoty – zatiaľ bez pevnej hypotézy. Pomáha posúdiť kvalitu údajov a nájsť zmysluplné otázky pre ďalšiu analýzu alebo modelovanie. Príklad: pred predpoveďou predaja EDA odhalí, že jeden mesiac bol kvôli migrácii systému zaznamenaný neúplne.
