Kurs AI Python Engineer

Prework to krótki etap przygotowawczy, dzięki któremu wejdziesz na pierwsze zajęcia bez stresu technicznego. Ustawisz narzędzia, sprawdzisz, czy wszystko działa i zrobisz małą rozgrzewkę z podstaw – tak, żeby na kursie skupić się na budowaniu projektu, a nie walce z instalacją.

Zakres modułu:

• Przygotowanie narzędzi do zajęć: Zoom, Slack i konto GitHub
• Instalacja Python 3.12, VS Code (z rozszerzeniami) oraz Git i sprawdzisz, czy działają
• Wykonanie podstawowych czynności w terminalu: uruchomienie skryptu i sprawdzenie wersji narzędzi
• Pierwsze kroki z repozytorium: utworzenie repo na GitHub i umieszczenie pierwszego pliku/README
• Przećwiczenie podstaw Pythona potrzebnych na start

Ustawiasz środowisko pracy i wchodzisz w podstawy Pythona. Od pierwszego dnia pracujesz na repozytorium i poznajesz zasady bezpiecznego użycia AI w programowaniu.

Zakres modułu:

• Konfiguracja Pythona 3.12, VS Code oraz venv/uv i uruchamienie projektu lokalnie
• Podstawy terminala oraz najczęstsze problemy z uruchomieniem kodu
• Czytanie tracebacków i użycie debuggera na prostych przykładach
• Fundamenty Pythona: typy, instrukcje warunkow, pętle i proste funkcji
• Zasady AI-pair: bezpieczeństwo, redakcja danych, weryfikacja odpowiedzi

Uczysz się Pythona na praktycznych danych: kolekcje, pliki i obsługa błędów. Budujesz pierwsze małe narzędzie CLI, które później wykorzystasz jako część aplikacji.

Zakres modułu:

• Praca na list/dict/set i przekształcanie danych w praktycznych zadaniach
• Stosowanie comprehensions i prostych agregacji do analizy danych wejściowych
• Wczytywanie i zapisywanie plików z użyciem pathlib oraz obsługa encoding
• Projektowanie obsługi wyjątków i czytelnych komunikatów błędów dla użytkownika
• Budowa mini-CLI: wejście z pliku → przetworzenie → wynik na stdout

Porządkujesz kod tak, by dało się go rozwijać: moduły, pakiety i jasne granice odpowiedzialności. Uczysz się też typowania, które zwiększa czytelność i ogranicza błędy – i łączysz to z praktycznym debugowaniem.

Zakres modułu:

• Podział kodu na moduły i pakiety oraz projektowanie struktury projektu
• Dobre praktyki importów i organizacji plików w repozytorium kodu
• Debugowanie problemów z użyciem breakpoints i krokowania
• Dodawanie type hints do funkcji i danych (list/dict/Optional) oraz odczyt błędów typów
• Refaktoring kodu z użyciem typów (uproszczenie i mniejsza podatność na błędy)

Wprowadzasz standard jakości: testy, automatyzacje i pipeline CI. Dzięki temu kolejne elementy projektu budujesz szybciej i bez rozjeżdżania jakości.

Zakres modułu:

• Pisanie testów w pytest: happy path, testy błędów i testy regresji
• Zastosowanie fixtures i parametryzacja w zadaniach “z życia”
• Uruchamianie coverage i interpretacja wyników
• Konifuguracja Ruff/Black oraz pre-commit jako standard repo
• Budowa CI w GitHub Actions: lint + test + coverage na pull requestach

Wchodzisz w świat aplikacji web: startujesz projekt we frameworku Django, uczysz się struktury, routingu i podstaw request/response, a potem budujesz pierwsze API w Django REST Framework (DRF) — z walidacją i testami.

Zakres modułu:

• Tworzenie i konfiguracja projektu w Django (settings, apps, manage.py)
• Routing URL i przepływ request → view → response
• Budowa pierwszych endpointów API w DRF (serializers + viewsets/routers)
• Projekt walidacji i spójnego format błędów w API
• Podstawowe testy endpointów (pytest-django / APIClient).

W tym bloku uczysz się pracy z danymi: rozumiesz SQL, projektujesz model danych i mapujesz go na Django ORM (Object-Relational Mapping). Dodajesz migracje i pierwsze “realne” dane w projekcie.

Zakres modułu:

• Podstawowe zapytania SQL (SELECT/JOIN/GROUP BY) na potrzeby aplikacji
• Projektowanie modelu danych i relacji między encjami projektu
• Definicja modeli w Django (pola, relacje, constraints) i użycie QuerySets
• Tworzenie i stosowanie migracji w Django oraz utrzymywanie spójnego schematu
• Testy integracyjne DB (pytest-django) i przygotowanie danych testowych

Budujesz stabilne API na Django REST Framework: CRUD, walidacja, błędy i testy. Następnie dokładasz transakcje i podstawy wydajności (N+1 i dobre query).

Zakres modułu:

• Budowa CRUD w DRF (serializers + viewsets/routers) w spójnej strukturze projektu
• Projektowanie walidacji w serializerach i rozdział walidacji wejścia od domeny (light)
• Utrzymywanie spójnego formatu błędów i statusów HTTP w API
• Stosowanie transaction.atomic i spójność operacji w DB
• Rozpoznanie i ograniczenie N+1 (select_related/prefetch_related) oraz testy integracyjne.

Wprowadzasz użytkowników, logowanie i uprawnienia. Uczysz się praktycznych zasad bezpieczeństwa: sekrety, PII, limity i testy uprawnień, tak, by aplikacja nie była “otwartym API”.

Zakres modułu:

• Zarządzanie konfiguracją i sekretami (.env) oraz rozumienie settings per env (light)
• Stosowanie PII hygiene i bezpieczne podejście do logowania oraz błędów
• Implementacja uwierzytelniania w Django/DRF (np. Session lub JWT jako wariant kursowy)
• Permissions (role/uprawnienia) i izolację danych per workspace/użytkownik
• Testy uprawnień i scenariusze nadużyć (abuse cases) + proste limity (light)

W tym bloku dopinasz standardy API “jak w pracy”: zasoby, kontrakty, wersjonowanie, paginację i filtrowanie oraz testy pod kontrakt. Następnie uruchamiasz streaming odpowiedzi i prosty UI, przygotowując projekt pod czat AI.

Zakres modułu:

• Projektowanie REST API wokół zasobów oraz dobór metody i statusy HTTP
• Wdrożenie paginacji, filtrowanie i sortowanie w DRF
• Wersjonowanie API (/api/v1/…) i utrzymywanie spójnego formatu błędów
• Dokumentacja OpenAPI (light) jako kontrakt
• Streaming odpowiedzi (SSE) i podłączanie prostego UI do odbioru strumienia

Uczysz się uruchamiać długie procesy poza requestem. Wprowadzisz kolejkę zadań, statusy jobów i odporność na ponowienia.

Zakres modułu:

• Konfiguracja kolejki i workera (Redis + job runner)
• Projektowanie flow: start job → status → wynik
• Wdrożenie retry/backoff i zastosowanie retry w praktyce
• Idempotency i odporność na ponowione żądania
• Integracja jobów z realnym procesem w aplikacji (np. ingest plików)

Zaczynasz budować AI-feature’y w aplikacji. Wymuszasz structured output, walidujesz odpowiedzi i uczysz się kontrolować koszty.

Zakres modułu:

• Tokeny, kontekst i koszty w perspektywie backendu.
• Projektowanie structured JSON output, który można walidować i testować
• Walidacja odpowiedzi modelem Pydantic i obsługa niezgodności
• Fallbacki, timeouts i odporność na błędy modelu
• Testy “bad output”: brak pól, złe typy, niepoprawny JSON

Łączysz LLM z logiką domenową przez function calling, a potem robisz krok “production-ish”: pokazujemy MCP (Model Context Protocol) jako standardowe podejście do narzędzi i kontekstu dla agentów. Uczysz się też realnych zagrożeń (prompt injection / tool poisoning) i podstaw obrony.

Zakres modułu:

• Implementacja function calling do wywoływania akcji domenowych w Django/DRF
• Whitelist narzędzi + walidacja argumentów + kontrola uprawnień
• Guardrails: timeouts, limity, bezpieczne błędy, testy nadużyć
• MCP (client/server) oraz pojęcia tools/resources/prompts i transporty
• Budowa mini servera MCP, który wystawia narzędzia do Twojego projektu (bezpiecznie i przewidywalnie)

Finalizujesz projekt: RAG (Retrieval-Augmented Generation) end-to-end z cytowaniami, mini-ewaluacja jakości i wdrożenie. Dodajesz obserwowalność i kontrolę kosztów – czyli “production-ish” w praktyce.

Zakres modułu:

• Budowa RAG: ingest → chunking → embeddings → retrieval + citations
• Izolacja danych per workspace i bezpieczny upload dokumentów
• Mini-ewaluacja jakości: golden set + prompt tests + cache
• Observability light: logi, error tracking, podstawowe metryki
• Pakowanie i wdrożenie aplikację: Docker/Compose + CI/CD + runbook + demo

W trakcie kursu stworzysz kompletną aplikację webową AI Knowledge Desk – od backendu i bazy danych, przez autoryzację i testy, aż po funkcje AI i wdrożenie.

Projekt zawiera:

• API w FastAPI z dobrze zdefiniowanymi kontraktami (OpenAPI), obsługą błędów i testami endpointów
• Bazę danych PostgreSQL (SQL + ORM) oraz migracje Alembic i testy integracyjne z DB
• Panel użytkownika (lekki UI) do pracy z dokumentami i czatem
• Autoryzację i role (JWT/sesje), izolację danych per użytkownik/workspace oraz podstawowe limity i zabezpieczenia
• Upload dokumentów (np. PDF/MD/HTML/TXT) i ingest w tle z kolejką zadań (worker + statusy jobów, retry/backoff, idempotency)
• Czat AI ze streamingiem odpowiedzi (SSE/WebSocket)
• Funkcje AI “produkcyjnie”:
  • structured output (JSON) + walidacja schematem
  • function calling do bezpiecznego wywoływania akcji w aplikacji (guardrails, whitelist, testy nadużyć)
  • RAG: embeddings + vector store (np. pgvector), retrieval per workspace, odpowiedzi z cytowaniami źródeł
• Mini-ewaluację jakości odpowiedzi (golden set + prompt tests) oraz cache i kontrolę kosztów (limity/budżety)
• Przygotowanie “production-ish”: Docker/Compose, CI/CD, podstawowa obserwowalność (logi, error tracking, metryki) oraz README + runbook + demo

Efekt końcowy: repozytorium z działającą aplikacją, którą możesz uruchomić lokalnie i wdrożyć, plus gotowy scenariusz demo i dokumentacja — idealne do portfolio i rozmów rekrutacyjnych.

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 na bootcampie odbywają się w soboty i niedziele od godziny 08:00 do 12:00.

Obowiązkowym punktem rozpoczęcia kursu jest przerobienie preworku – są to materiały do samodzielnej nauki. Otrzymasz od nas wszystkie niezbędne materiały, linki oraz instrukcje, jak krok po kroku zainstalować programy i narzędzia, z których będziesz korzystać w trakcie kursu. Przykładając się do jego wykonania, zapewniasz sobie i reszcie grupy sprawny start w kursie i możliwość bezproblemowego rozpoczęcia nauki i pracy nad projektem. Z drugiej strony, w przypadku naszych kursów – bardzo intensywnych i napakowanych wiedzą, zlekceważenie preworku może skutkować późniejszym nawarstwieniem się zaległości, które będzie niezwykle trudno nadrobić w trakcie kursu.

Kurs jest dla Ciebie, jeśli lubisz analizować dane, masz zamiłowanie do matematyki, lubisz rozwiązywać skomplikowane problemy lub jesteś osobą z technicznym zacięciem. Dodatkowo niezbędne do rozpoczęcia nauki na kursie AI Python Engineer są: znajomość języka angielskiego na poziomie min. B1/B2, wykonanie preworku, który otrzymasz po zapisaniu się na kurs, wysoka motywacja, dyspozycyjność – czas na zajęcia, ale również naukę w domu.

Główną przewagą kursu nad studiami jest warsztatowa forma zajęć – wiedzę zdobytą na zajęciach teoretycznych kursanci wykorzystują od razu na zajęciach praktycznych. Zarówno zajęcia teoretyczne, jak i warsztaty prowadzą doświadczeni trenerzy – praktycy. W Akademii dbamy o to, aby program kursu był dopasowany do aktualnej sytuacji na rynku pracy. Kursy są krótsze niż studia, co z jednej strony wiąże się większym natężeniem zajęć i dostarczanej wiedzy, a z drugiej sprawia, że szybciej możesz rozpocząć swój rozwój w obszarze programowania w Pythonie. Na koniec – na kursach panuje bardzo dobra atmosfera, kursanci wspierają się wzajemnie i są w stałym kontakcie ze sobą i z trenerami na komunikatorze wewnętrznym w czasie trwania zajęć.

Jeśli chodzi o samo uczestnictwo w kursach, to wiek nie jest ograniczeniem. Nasze kursy kończyli zarówno 18-latkowie, jak i osoby 50+. Należy jednak pamiętać, że karierę w branży IT zaczyna się od stażu albo od stanowiska juniora, co może wiązać się z otrzymywaniem niższego wynagrodzenia niż na obecnym miejscu pracy, jeśli ma się już kilkanaście lat doświadczenia. Warto wziąć to pod uwagę zanim podejmie się decyzję o przebranżowieniu.

Na rynku jest dostępnych wiele form finansowania kursów, szczegółowe informacje znajdziesz na naszej stronie Finansowanie.

Tak, zajęcia są nagrywane i można z nich korzystać, żeby utrwalać wiedzę z zajęć.

Naszym celem jest nauka uniwersalnych wzorców pracy, a nie przywiązanie do konkretnego dostawcy technologii. Pokazujemy różne opcje, aby umożliwić Ci pracę w firmach z rygorystyczną polityką bezpieczeństwa lub korzystanie z posiadanych już subskrypcji. Dzięki temu nauczysz się elastycznie dobierać narzędzia do aktualnych potrzeb w Twoim projekcie.

Oczywiście, po zaliczeniu kursu otrzymasz od nas doceniany na rynku certyfikat infoShare Academy z informacją o zakresie kursu i terminie, w jakim kurs się odbywał. Certyfikat podpisany jest przez CEO infoShare Academy oraz Trenera prowadzącego kurs. Otrzymasz go w formacie PDF, dzięki czemu łatwo podzielisz się informacją o zdobytych kwalifikacjach na LinkedIn z potencjalnymi, przyszłymi pracodawcami lub klientami.

Każdy z tych modeli ma swoje unikalne zalety, które sprawdzają się w innych zadaniach. Model Claude doskonale radzi sobie z analizą długich fragmentów kodu i pisaniem czytelnych instrukcji do refaktoryzacji. Z kolei ChatGPT to uniwersalne rozwiązanie, które świetnie wspiera proces nauki, generowanie testów oraz tłumaczenie błędów. Model Gemini to z kolei mocna alternatywa dla osób pracujących ściśle w ekosystemie Google.

Pamiętaj, że na kursie wymuszamy analityczne podejście oparte na walidacji, więc sam model sztucznej inteligencji pozostaje jedynie wymiennym narzędziem.

Aplikacja Perplexity to świetne wsparcie do researchu i sprawdzania rynkowych standardów wraz z podaniem dokładnych źródeł. Nie jest to jednak narzędzie optymalne do bezpośredniej pracy z kodem w repozytorium. Traktujemy je jako rozwiązanie pomocnicze, które ułatwia porównywanie usług chmurowych lub doczytywanie zmian w bibliotekach.

Wykorzystanie asystentów w środowisku programistycznym to obecnie rynkowy standard. Narzędzia te działają bezpośrednio w miejscu pisania kodu, co znacznie przyspiesza tworzenie aplikacji i refaktoryzację. Uczymy w ten sposób nawyku pracy w małych iteracjach zamiast nieefektywnego wklejania dużych bloków kodu z czatu.

Są to obecnie najpopularniejsze technologie stosowane w komercyjnych wdrożeniach systemów RAG. Baza pgvectornaturalnie wpisuje się w środowisko pracy z PostgreSQL, a narzędzie Chroma pozwala na szybki start z wektorami. Dzięki frameworkom takim jak LangChain oraz LlamaIndex łatwo zintegrujesz różne narzędzia i przeprowadzisz ewaluację bez pisania wszystkiego od zera.