Kurs Data Science + AI

Przed rozpoczęciem intensywnych zajęć na kursie weekendowym, przygotujemy Cię do osiągnięcia najlepszych rezultatów na zajęciach na żywo z trenerem. Sekcja Prework to Twój pierwszy krok w nauce programowania! Dzięki intuicyjnemu instruktażowi dobrze przygotujesz stanowisko pracy i skonfigurujesz potrzebne oprogramowanie.

💻 Czego się nauczysz w tej sekcji?

• Instalacja narzędzi: nauczysz się instalować i konfigurować niezbędne narzędzia, takie jak DBeaver, PostgreSQL, Python, Anaconda, Jupyter Notebook, Tableau, bazy danych.
• Rozwiązywanie problemów: zdobędziesz umiejętność rozwiązywania podstawowych problemów związanych z instalacją oprogramowania.
• Przygotowanie środowiska: nauczysz się tworzyć i zarządzać środowiskiem programistycznym, co jest istotne dla efektywnej pracy w dziedzinie Data Science.

W ramach tej sekcji przekazane zostaną praktyczne umiejętności niezbędne do pracy jako Data Scientist. Zajęcia obejmują pracę z systemami kontroli wersji, zdalnymi repozytoriami, i IDE. Dodatkowo, uczestnicy zdobędą wiedzę z zakresu prompt engineeringu, co pozwoli im efektywnie wykorzystywać modele AI, oraz data governance, kluczowego dla zarządzania jakością i bezpieczeństwem danych.

💻 Czego się nauczysz w tej sekcji?

• Obsługa narzędzi – zdobędziesz umiejętności obsługi różnych narzędzi używanych w branży Data Science.
• Kontrola wersji – zarządzanie kodem za pomocą systemu kontroli wersji Git.
• Integracja z IDE – efektywne korzystanie z Visual Studio Code.
• Praca w Terminalu – praktyczne komendy Terminala w celu automatyzacji i podniesienia efektywności pracy.
• Prompt engineering – formułowanie skutecznych promptów do interakcji z modelami AI i ich optymalizacja pod kątem jakości wyników.
• Data governance – zasady zarządzania danymi, w tym ich jakość, bezpieczeństwo, zgodność z regulacjami i organizacyjne procesy zarządzania danymi.

W sekcji dotyczącej języka SQL przekazana zostanie wiedza dotycząca umiejętności pracy z danymi, pisania oraz optymalizowania zapytań, analizowania danych, a także zarządzania danymi znajdującymi się w bazie.

💻 Czego się nauczysz w tej sekcji?

• Projektowanie zapytań: opanujesz sztukę projektowania skomplikowanych zapytań SQL, co jest niezbędne do ekstrakcji potrzebnych informacji.
• Zarządzanie bazami danych: definiowanie i modyfikowanie tabel w bazach danych.
• Indeksy: optymalizacja zapytań poprzez stosowanie indeksów.
• Operacje CRUD: wykonywanie operacji Create, Read, Update oraz Delete na danych.
• Łączenie danych: stosowanie JOIN do łączenia danych z różnych tabel.
• Raportowanie i analiza: będziesz w stanie przeprowadzać zaawansowane analizy danych i tworzyć raporty przy użyciu języka SQL.

W tej sekcji nauczysz się efektywnej analizy danych przy użyciu SQL, jednego z najważniejszych języków w pracy z bazami danych. Poznasz techniki pobierania, filtrowania, grupowania i łączenia danych, które są niezbędne do eksploracyjnej analizy danych oraz przygotowania zestawów do uczenia modeli Machine Learning.

💻 Czego się nauczysz w tej sekcji?

• Zapytania SELECT – pobieranie danych oraz optymalizacja zapytań.
• Filtrowanie i sortowanie – warunki WHERE, GROUP BY, HAVING, ORDER BY.
• Łączenie tabel (JOIN) – inner, left, right i full join w praktyce.
• Agregacje i funkcje wbudowane – sumowanie, średnie, wartości maksymalne i minimalne.
• Podzapytania i CTE – efektywna organizacja złożonych zapytań.
• Indeksy i optymalizacja – poprawa wydajności zapytań w dużych zbiorach danych.

W sekcji dotyczącej języka programowania Python nabyte zostaną umiejętności programowania w języku Python, który jest powszechnie używany w Data Science. Zakres sekcji obejmuje podstawy programowania, struktury danych, instrukcje warunkowe, funkcje, programowanie obiektowe, biblioteki do analizy, wizualizacji danych i tworzenia modeli.

💻 Czego się nauczysz w tej sekcji?

• Programowanie w Pythonie: opanujesz podstawy i zaawansowane aspekty programowania w języku Python, takie jak instrukcje warunkowe, funkcje, czy programowanie obiektowe.
• Programowanie obiektowe: projektowanie aplikacji z wykorzystaniem klas i obiektów.
• Tworzenie skryptów: automatyzacja zadań za pomocą skryptów Python.
• Przetwarzanie danych: przetwarzanie dużych zbiorów danych z wykorzystaniem NumPy.
• Praca z danymi: manipulacja i analiza danych za pomocą Pandas.
• Wizualizacja danych: tworzenie wykresów i wizualizacji za pomocą Matplotlib i Seaborn.

W tej sekcji nauczysz się przetwarzania, analizy i wizualizacji danych przy użyciu Pythona. Poznasz kluczowe biblioteki wykorzystywane w Data Science, takie jak Pandas, NumPy i Matplotlib, oraz nauczysz się przygotowywać dane do dalszych etapów modelowania Machine Learning.

💻 Czego się nauczysz w tej sekcji?

• Czyszczenie i transformacja danych – usuwanie braków, konwersje typów i normalizacja wartości.
• Wizualizacja danych – tworzenie wykresów i eksploracja danych z Matplotlib i Seaborn.
• Analiza statystyczna – podstawowe metody eksploracyjne, analiza rozkładów, korelacja.
• Feature engineering – przygotowywanie cech dla modeli Machine Learning.
• Przetwarzanie dużych zbiorów danych – techniki optymalizacji pracy z danymi.

W sekcji Statystyka przekazane zostaną podstawowe i zaawansowane umiejętności statystyczne niezbędne do pracy w obszarze Data Science. Zajęcia obejmują rozkłady, testy statystyczne, estymację parametrów i korzystanie z danych probabilistycznych.

💻 Czego się nauczysz w tej sekcji?

• Analiza rozkładów: analiza różnych rozkładów statystycznych danych.
• Testy statystyczne: sprawdzanie hipotez i porównywanie danych.
• Estymacja parametrów: estymowania parametrów populacji na podstawie próby danych.
• Korelacje: analiza zależności między zmiennymi.
• Wnioskowanie statystyczne: wyciąganie wniosków z danych za pomocą metod statystycznych.
• Analiza wariancji: porównywanie średnich z użyciem analizy wariancji (ANOVA).

W sekcji Machine Learning przekazane zostaną podstawowe oraz zaawansowane tematy związane z technikami uczenia maszynowego. Sekcja ta obejmuje zagadnienia klasyfikacji, regresji, klasteryzacji, szeregów czasowych, oceny jakości modeli oraz ich praktycznego zastosowania w branży. Zagadnienia te stanowią wstęp do pracy z AI.

💻 Czego się nauczysz w tej sekcji?

• Feature Engineering: przygotowanie danych i tworzenie cech dla modeli Machine Learning.
• Klasyfikacja: budowanie i ocena modeli klasyfikacyjnych, takich jak drzewa decyzyjne, SVM, czy kNN.
• Regresja: tworzenie modeli regresji, takich jak regresja liniowa i regresja wielomianowa.
• Klasteryzacja: segmentacja danych za pomocą algorytmów klasteryzacyjnych, takich jak K-means.
• Szeregi czasowe: analiza i prognozowanie danych czasowych.
• Wdrażanie modeli na produkcję: udostępnianie modeli do środowisk produkcyjnych.
• Ocena i walidacja modeli: ocena skuteczności modeli i dostosowywanie ich do wymagań biznesu.

W tej sekcji skupisz się na optymalizacji modeli Machine Learning, aby poprawić ich skuteczność i wydajność. Poznasz zaawansowane techniki tuningu hiperparametrów, wybierania najlepszych cech oraz zapobiegania przeuczeniu modeli.

💻 Czego się nauczysz w tej sekcji?

• Dobór najlepszych cech (feature selection) – techniki eliminacji zbędnych zmiennych.
• Tuning hiperparametrów – Grid Search, Random Search, Bayesian Optimization.
• Regularyzacja modeli – L1, L2, dropout i inne techniki zapobiegające przeuczeniu.
• Balansowanie danych – radzenie sobie z problemem niezbalansowanych zbiorów.
• Uczenie zespołowe (ensemble learning) – bagging, boosting i stacking modeli.
• Optymalizacja wydajności – przyspieszanie trenowania modeli na dużych zbiorach danych.
• Wyjaśnialność modeli (Explainable AI) – interpretacja wyników i podejmowanie lepszych decyzji.

W tej sekcji poznasz praktyczne metody wdrażania modeli Machine Learning do środowiska produkcyjnego. Dowiesz się, jak przygotować model do API, optymalizować jego działanie oraz monitorować jego wydajność po wdrożeniu.

💻 Czego się nauczysz w tej sekcji?

• Eksportowanie i serializacja modeli – zapisywanie modeli.
• Konteneryzacja modeli – Docker w kontekście Machine Learning.
• MLOps dla ML – automatyzacja procesu trenowania i wdrażania modeli.
• Monitorowanie modeli – wykrywanie driftu danych i podejmowanie decyzji o re-treningu.

W tej sekcji poznasz podstawy TensorFlow, jednego z najpopularniejszych frameworków do budowy i trenowania modeli uczenia maszynowego. Nauczysz się, jak efektywnie wykorzystywać TensorFlow do implementacji sieci neuronowych, pracy z danymi oraz optymalizacji modeli. Moduł ten stanowi solidne fundamenty dla dalszej nauki Deep Learningu i jego praktycznych zastosowań.

💻 Czego się nauczysz w tej sekcji?

• Podstawy TensorFlow – instalacja, konfiguracja i pierwsze kroki w pracy z frameworkiem.
• Tensory i operacje matematyczne – jak działają tensory, operacje na nich oraz ich rola w modelach uczenia maszynowego.
• Budowanie sieci neuronowych – implementacja podstawowych warstw i architektur w TensorFlow.
• Modelowanie i trening – tworzenie, kompilacja i trenowanie modeli ML przy użyciu TensorFlow i Keras.
• Funkcje straty i optymalizatory – wybór odpowiednich funkcji straty i metod optymalizacji modeli.

W sekcji Projekt wykorzystana zostanie cała zdobyta wiedza i umiejętności w praktyce. Pracując nad grupowym projektem Data Science, zespoły przejdą przez wszystkie etapy od zbierania danych, poprzez analizę, modelowanie, aż po prezentację wyników.

💻 Czego się nauczysz w tej sekcji?

• Zarządzanie projektem: nauczysz się efektywnie zarządzać projektem Data Science, począwszy od definiowania celów, aż po prezentację wyników.
• Zbieranie danych: pozyskiwanie i przetwarzanie danych do projektu.
• Praca w zespole: współpraca zespołowa z wykorzystaniem metod Scrum i narzędzia Jira.
• Implementacja modelu: tworzenie i wdrażanie modeli na podstawie zgromadzonych danych.
• Walidacja wyników: ocena skuteczności modelu i weryfikacja wyników.
• Prezentacja wyników: prezentacja wyników, zarówno w formie pisemnej, jak i wizualnej.

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 odbywają się w soboty i niedziele w godz. 15:00-19:00 (zjazdy 1-17) i 15:00-21:00 (zjazdy 18-22).

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 Data Science 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 Data Science. 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.

W trakcie kursu trenerzy przekazują wiedzę zarówno z zakresu korzystania z narzędzi AI w pracy Data Scientisty, jak i budowania własnych rozwiązań. Dowiesz się więc zarówno jak zautomatyzować swoją pracę dzięki gotowych rozwiązaniom, jak też jak budować potrzebne na rynku narzędzia do pracy z LLM (takimi jak Chat GPT).
Dodatkowo, jeśli zakupisz kurs w pakiecie IT Navigator lub Mentoring+, otrzymasz dostep do 6-godzinnego kursu online “Prompt Engineering i narzędzia AI dla programistów”.

Do szukania pracy należy się przygotować, dlatego już podczas kursu, zależnie od wybranego pakietu proponujemy szkolenia HR, dzięki którym dowiesz się jak stworzyć skuteczne CV oraz profil w serwisie LinkedIn. Powiemy Ci również jak przygotować się do rozmów rekrutacyjnych.

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.