Kurs Data Science + AI

• omówienie workflow Data Science: dane, model, ewaluacja, wdrożenie, monitoring i decyzje biznesowe;
• wprowadzenie do pracy w VS Code, notebookach Jupyter i repozytorium kursowym;
• zasady wykorzystywania AI jako wsparcia w kodowaniu, analizie, debugowaniu i dokumentacji;
• omówienie ryzyk pracy z AI: halucynacje, dane poufne, brak weryfikacji i błędne sugestie;
• pierwszy prosty przykład pracy z danymi i modelem Machine Learning;
• przygotowanie do pracy w formule ML-first, gdzie podstawy techniczne poznajesz w kontekście konkretnych zadań.

• praca z plikami CSV i Excel jako podstawowymi źródłami danych;
• pobieranie danych z prostego API i zapisanie ich do struktury tabelarycznej;
• podstawy web scrapingu jako uzupełniającego sposobu pozyskiwania danych;
• ocena jakości, kompletności i przydatności danych do modelowania;
• użycie AI do zrozumienia struktury danych i wygenerowania pierwszych fragmentów kodu;
• omówienie ograniczeń prawnych, technicznych i jakościowych przy pozyskiwaniu danych.

• przełożenie prostego problemu biznesowego na problem Machine Learning;
• wybór zmiennej targetowej i podstawowych cech modelu;
• przygotowanie danych do pierwszego eksperymentu ML;
• trenowanie modelu, wykonanie predykcji i podstawową ocenę jakości;
• użycie AI do wyjaśniania kodu, debugowania i interpretacji wyników;
• przygotowanie krótkiego opisu modelu, jego ograniczeń i potencjalnego zastosowania.

• podstawy SQL: SELECT, WHERE, JOIN, GROUP BY i agregacje;
• tworzenie datasetu z kilku tabel;
• budowanie cech modelu na podstawie agregacji, np. liczby transakcji lub średniej wartości zamówienia;
• rozpoznawanie błędów w zapytaniach, takich jak duplikaty, złe joiny i niepoprawne agregacje;
• omówienie ryzyka data leakage przy tworzeniu datasetu z danych historycznych;
• użycie AI do tłumaczenia, poprawiania i weryfikowania zapytań SQL.

• identyfikacja braków danych, duplikatów, błędnych typów i niespójnych wartości;
• obsługa wartości odstających oraz ocenę ich wpływu na model;
• porządkowanie kategorii, dat, wartości liczbowych i danych tekstowych;
• dokumentowanie decyzji cleaningowych i ich konsekwencji dla modelowania;
• wykorzystanie AI do proponowania reguł czyszczenia danych;
• krytyczna weryfikacja sugestii AI, aby nie usuwać informacji istotnych dla modelu.

• analiza targetu i rozkładu zmiennej przewidywanej;
• badanie zależności między cechami a targetem;
• praca z korelacjami, rozkładami, segmentami i podstawowymi wizualizacjami;
• rozpoznawanie sygnałów, które mogą poprawić model lub wprowadzić go w błąd;
• identyfikacja potencjalnego data leakage już na etapie eksploracji danych;
• użycie AI do generowania pytań analitycznych i interpretowania wyników EDA.

• tworzenie cech liczbowych, kategorycznych, tekstowych i czasowych;
• encoding, scaling i podstawowe transformacje danych;
• tworzenie cech z agregacji historycznych i zachowań użytkowników;
• ocena przydatności cech w kontekście konkretnego problemu ML;
• wykorzystanie AI do generowania propozycji nowych cech;
• wykrywanie cech ryzykownych, nadmiarowych lub powodujących data leakage.

• średnia, mediana, wariancja, odchylenie standardowe i podstawowe rozkłady;
• interpretacja korelacji i omówienie jej ograniczeń;
• intuicyjne wprowadzenie do testowania hipotez i istotności statystycznej;
• wykorzystanie statystyki do oceny danych, cech i wyników modelu;
• przykłady błędnych interpretacji wyników statystycznych;
• użycie AI do tłumaczenia pojęć statystycznych prostym językiem.

• różnica między regresją a klasyfikacją;
• regresja liniowa jako model bazowy dla predykcji wartości liczbowych;
• regresja logistyczna jako model bazowy dla problemów klasyfikacyjnych;
• podstawowe metryki regresji i klasyfikacji;
• interpretacja błędów modelu i ograniczeń modeli bazowych;
• użycie AI do wyjaśniania różnic między typami problemów i wynikami modeli.

• wprowadzenie do uczenia nienadzorowanego;
• K-means jako podstawowy algorytm klasteryzacji;
• przygotowanie danych do segmentacji, w tym scaling i dobór cech;
• ocena jakości klastrów i interpretację ich sensu biznesowego;
• przykłady segmentacji klientów, produktów lub zachowań;
• użycie AI do opisu segmentów i nadawania im interpretowalnych nazw.

• intuicja działania drzewa decyzyjnego;
• omówienie podziałów, głębokości drzewa i kryteriów decyzyjnych;
• overfitting w modelach drzewiastych i sposoby jego ograniczania;
• Random Forest jako model zespołowy;
• porównanie modeli liniowych, drzew i lasów losowych;
• użycie AI do interpretacji decyzji modelu i analizy błędów.

• intuicja działania boostingu i uczenia kolejnych modeli na błędach poprzednich;
• Gradient Boosting jako podejście do budowania silniejszych modeli;
• praktyczne użycie XGBoost na danych tabelarycznych;
• porównanie XGBoost z Random Forest i modelami bazowymi;
• podstawowe parametry wpływające na jakość i stabilność modelu;
• użycie AI do planowania eksperymentów i interpretowania różnic między modelami.

• wyjaśnienie pojęć: neuron, warstwy, wagi i funkcje aktywacyjne;
• funkcja straty i proces minimalizacji błędu;
• wyjaśnienie gradientu i propagacji wstecznej na poziomie koncepcyjnym;
• budowa prostego modelu sieci neuronowej na danych tabelarycznych;
• omówienie znaczenia skalowania danych i doboru parametrów;
• połączenie podstaw sieci neuronowych ze współczesnymi modelami GenAI.

• porównywanie różnych modeli na tych samych danych;
• cross-validation i ocenę stabilności wyników;
• train/test split, validation split i typowe błędy podziału danych;
• identyfikacja data leakage i zbyt optymistycznych wyników;
• ocena modeli nadzorowanych i nienadzorowanych w odpowiednim kontekście;
• użycie AI jako reviewera procesu walidacji i interpretacji wyników.

• overfitting, underfitting i kontrolę złożoności modelu;
• dobór hiperparametrów z użyciem GridSearch i RandomizedSearch;
• optymalizacja modeli klasycznych, boostingowych i klasteryzacyjnych;
• AutoML jako wsparcie eksperymentowania i benchmarkowania;
• porównanie modelu prostego, zaawansowanego, AutoML i segmentacji;
• użycie AI do planowania eksperymentów i analizy wyników optymalizacji.

• feature importance i interpretację wpływu cech na wynik modelu;
• praktyczne użycie metod Explainable AI, takich jak SHAP lub permutation importance;
• identyfikacja biasu, ograniczeń danych i ryzyk błędnych decyzji;
• omówienie fairness i odpowiedzialnego wykorzystania modeli;
• przygotowanie model card jako dokumentacji działania i ograniczeń modelu;
• użycie AI do opisu ryzyk, ograniczeń i wniosków z interpretacji modelu.

• różnice między danymi czasowymi a klasycznymi danymi tabelarycznymi;
• trend, sezonowość, zmienność i podstawowe wzorce w czasie;
• przygotowanie danych do prostej prognozy;
• walidacja czasowa zamiast losowego podziału train/test;
• przykład prognozy sprzedaży, popytu, ruchu lub aktywności;
• użycie AI do interpretacji trendów, anomalii i ryzyk prognozowania.

• rola LLM w kodowaniu, analizie, dokumentacji i interpretacji wyników;
• praca z LLM przez interfejs chatowy i API;
• podstawy RAG: retrieval, embeddingi, wyszukiwanie semantyczne i odpowiedzi na podstawie źródeł;
• wykorzystanie Hugging Face jako źródła modeli, datasetów i narzędzi;
• omówienie ograniczeń GenAI: halucynacje, prompt injection, prywatność i jakość źródeł;
• praktyczne przykłady wykorzystania LLM i RAG w pracy z danymi i dokumentacją modeli.

• zapis i ponowne wykorzystanie wytrenowanego modelu;
• przygotowanie prostego pipeline’u predykcyjnego;
• refaktoryzacja kodu z notebooka do plików Python;
• budowa prostego API do predykcji z użyciem FastAPI;
• walidacja danych wejściowych i testowanie endpointu;
• użycie AI do porządkowania kodu, debugowania API i tworzenia dokumentacji technicznej.

• podstawy MLOps: eksperymenty, wersje, metryki i artefakty;
• wykorzystanie MLflow do śledzenia eksperymentów i wyników modeli;
• data drift, model drift i spadek jakości predykcji;
• checklista monitoringu modelu po wdrożeniu;
• przygotowanie rekomendacji biznesowej na podstawie wyników modelu;
• omówienie, jak komunikować ograniczenia, ryzyka i wartość modelu interesariuszom.

Aby zapisać się na kurs możesz wypełnić formularz, wysłać maila bezpośrednio do opiekunki lub zadzwonić. W przypadku zgłoszenia się przez formularz otrzymasz od razu maila ze szczegółowym programem kursu oraz informacjami o kolejnych krokach.

Zajęcia zależnie od edycji odbywają się w soboty i niedziele w godz. 8:00 – 12:00 lub 15:00 – 19:00.

Nie wymagamy wcześniejszej znajomości Pythona ani SQL, ale kurs zakłada gotowość do pracy z kodem. Podstawy składni będą wprowadzane praktycznie, w kontekście zadań Data Science i Machine Learning, a narzędzia AI będą pomagały w wyjaśnianiu kodu, debugowaniu i utrwalaniu materiału.

To kurs dla osób, które chcą rozwijać się w Data Science i Machine Learning, ale nie jest klasycznym kursem programowania od zera. Startujemy od podstaw potrzebnych do pracy z danymi, jednak szybko przechodzimy do praktycznych problemów ML.

Kurs jest bardziej skoncentrowany na praktycznym workflow: pozyskanie danych, przygotowanie datasetu, budowa modeli, GenAI, RAG, deployment, monitoring i decyzje biznesowe. AI nie jest dodatkiem na końcu, ale wsparciem używanym na każdym etapie pracy.

Kurs daje realny upskill w stronę Data Science i Machine Learning, ale nie obiecuje automatycznej zmiany branży ani pełnej samodzielności eksperckiej po 80 godzinach. Po kursie będziesz rozumieć praktyczny workflow Data Science i umieć budować, oceniać oraz wdrażać proste modele ML z pomocą AI.

AI będzie pełnić rolę asystenta nauki i pracy: pomoże wyjaśniać kod, debugować błędy, pisać zapytania SQL, generować pomysły na cechy, interpretować metryki, dokumentować modele i przygotowywać rekomendacje biznesowe. Kurs uczy też krytycznej weryfikacji odpowiedzi AI.

Kurs obejmuje LLM, RAG i Hugging Face w kontekście pracy Data Scientisty, ale nie jest pełnym kursem AI/LLM Engineeringu. Celem jest pokazanie, jak GenAI wspiera workflow Data Science i Machine Learning.

Na kursie pojawią się podstawy sieci neuronowych: neuron, wagi, funkcje aktywacyjne, gradient, propagacja wsteczna i prosty model. Nie jest to jednak rozbudowany kurs Deep Learningu obejmujący szczegółowo CNN, RNN czy zaawansowane architektury transformerowe.

Tak, po ukończeniu kursu otrzymasz certyfikat potwierdzający zdobycie wiedzy i praktycznych umiejętności z zakresu Python, SQL, EDA, Feature Engineering, statystyki, Machine Learning, GenAI, LLM, RAG, deploymentu modeli, MLOps i monitoringu.

Tak. Kurs ma formę warsztatową — większość pracy odbywa się w notebookach, na danych, modelach i ćwiczeniach. Teoria jest wprowadzana w krótkich fragmentach, a następnie od razu wykorzystywana w praktyce.

Kurs nie opiera się na jednym dużym projekcie końcowym. W trakcie zajęć tworzysz zestaw praktycznych artefaktów: notebooki, modele, zapytania SQL, pipeline’y przygotowania danych, integrację z LLM/RAG, API do predykcji i elementy monitoringu.