Szkolenie: Python w Machine Learningu i Sztucznej Inteligencji (AI)

Program szkolenia jest dostosowany do potrzeb uczestników usługi oraz głównego celu usługi i jej charakteru oraz obejmuje zakres tematyczny usługi. Uczestnik nie musi spełniać dodatkowych wymagań.

Usługa prowadzona jest w godzinach zegarowych. Przerwy nie są wliczone w ogólny czas usługi rozwojowej. Harmonogram usługi może ulec nieznacznemu przesunięciu, ponieważ ilość przerw oraz długość ich trwania zostanie dostosowana indywidualnie do potrzeb uczestników szkolenia. Łączna długość przerw podczas szkolenia nie będzie dłuższa aniżeli zawarta w harmonogramie.

Zajęcia zostaną przeprowadzone przez eksperta z wieloletnim doświadczeniem, który przekazuje nie tylko wiedzę teoretyczną, ale także praktyczne wskazówki i najlepsze praktyki. Uczestnik ma możliwość czerpania z jego wiedzy i doświadczeń.

Szkolenie będzie realizowane zdalnie w czasie rzeczywistym za pomocą platformy MS Teams, co umożliwia aktywny udział uczestnika w warsztatach i ćwiczeniach grupowych.

Szkolenie realizowane jest przez platformę umożliwiającą:

• udostępnianie ekranu,
• czat, komunikację audio-wideo,
• współdzielenie materiałów i plików,
• interaktywną prezentację kodu i analiz danych.

Uczestnik pracuje indywidualnie na swoim komputerze z bieżącym wsparciem trenera.

Przed dokonaniem zapisu i złożeniem karty uczestnictwa do Operatora, zachęcamy do kontaktowania się z nami telefonicznie, SMS-em lub e-mailem pod adresem/numerem wskazanym w zakładce „Kontakt”.

Pozwoli to potwierdzić dostępność miejsca w grupie szkoleniowej oraz rozwiać ewentualne wątpliwości.

PROGRAM SZKOLENIA (20 h)

• MODUŁ I: Inżynieria Cech i Przygotowanie Danych pod ML (Łącznie: 4h – 1h teoria / 3h praktyka)
  • Teoria: Wyzwania w przygotowaniu danych pod modele ML. Czyszczenie danych, obsługa wartości brakujących (imputation) i odstających (outliers). Metody kodowania zmiennych kategorycznych (One-Hot, Target Encoding), skalowanie (MinMax, StandardScaler). Redukcja wymiarowości (PCA). Podział danych i poprawna walidacja krzyżowa (Cross-Validation).
  • Praktyka: Budowa potoków przetwarzania danych w Scikit-Learn (Pipeline, ColumnTransformer). Automatyzacja przygotowania surowego zbioru danych do postaci gotowej do uczenia maszynowego.
• MODUŁ II: Uczenie Maszynowe (Machine Learning) w Scikit-Learn (Łącznie: 6h – 1,5h teoria / 4,5h praktyka)
  • Teoria: Algorytmy uczenia nadzorowanego: od regresji po metody zespołowe (Lasy Losowe, XGBoost, LightGBM). Uczenie nienadzorowane: klastryzacja (K-Means, DBSCAN). Metryki ewaluacji modeli klasyfikacji (Accuracy, Precision, Recall, F1, ROC-AUC) i regresji (MSE, RMSE, $R^2$). Optymalizacja hiperparametrów (GridSearchCV, RandomizedSearchCV).
  • Praktyka: Trening modeli klasyfikacyjnych i predykcyjnych na rzeczywistych zbiorach danych. Porównywanie wyników wielu algorytmów, optymalizacja ich parametrów oraz interpretacja ważności cech (Feature Importance).
• MODUŁ III: Inżynieria AI, Generatywne AI i LLM w Pythonie (Łącznie: 6h – 1,5h teoria / 4,5h praktyka)
  • Teoria: Wprowadzenie do LLM i Generatywnego AI. Koncepcja Embeddings (wektorowych reprezentacji tekstu) i architektura RAG (Retrieval-Augmented Generation). Wektorowe bazy danych (np. ChromaDB) i ich rola w budowaniu systemów wyszukiwania semantycznego. Interfejsy API modeli (OpenAI / HuggingFace).
  • Praktyka: Tworzenie skryptów w Pythonie łączących się z zewnętrznymi modelami LLM przez API. Zasilanie wektorowej bazy danych własnymi dokumentami, budowa systemu RAG do odpowiadania na pytania w oparciu o prywatne dane.
• MODUŁ IV: Projekt Praktyczny & MLOps (Serwowanie Modeli) (Łącznie: 4h – 0,5h teoria / 3,5h praktyka)
  • Praktyka: Zapisywanie i wczytywanie wytrenowanych modeli ML (Joblib/Pickle). Tworzenie produkcyjnego API przy użyciu frameworka FastAPI. Wstawienie modelu ML lub agenta AI za endpointem RESTful, odbieranie zapytań od użytkownika, generowanie predykcji w czasie rzeczywistym i zwracanie ich w formacie JSON.
  • Walidacja/Egzamin: Test wiedzy teoretycznej oraz weryfikacja poprawności stworzonego mikroserwisu AI.

Warunkiem zdobycia certyfikatu potwierdzającego zdobyte kompetencje jest przystąpienie do Egzaminu. Na egzamin uczestnik nie musi dokonywać osobnego zapisu oraz jest w koszt usługi.

Wymagana jest obecność min 80% lub zgodna ze wskazaniami Operatora. Obecność na usłudze weryfikowana będzie na podstawie raportu logowań wygenerowanego z platformy.

Uczestnicy przyjmują do wiadomości, że usługa może być poddana monitoringowi z ramienia Operatora lub PARP i wyrażają na to zgodę.

Uczestnik ma obowiązek zapisania się na usługę przez BUR co najmniej w dniu zakończenia rekrutacji.

Organizator zapewnia dostępność osobom ze szczególnymi potrzebami podczas realizacji usług rozwojowych zgodnie z Ustawą z dnia 19 lipca 2019 r. o zapewnianiu dostępności osobom ze szczególnymi potrzebami (Dz.U. 2022 poz. 2240) oraz „Standardami dostępności dla polityki spójności 2021-2027”. W przypadku potrzeby zapewnienia specjalnych udogodnień prosimy o kontakt przed zapisem na usługę!

1. Sprzęt uczestnika:

• komputer lub laptop z systemem operacyjnym Windows 10 / 11, macOS lub Linux,
• procesorem co najmniej Intel i5 / Ryzen 5 lub równoważnym,
• pamięcią RAM: minimum 8 GB (zalecane 16 GB dla płynnej pracy z dużymi zbiorami danych),
• wolną przestrzenią dyskową: minimum 10 GB,
• stabilne łącze internetowe (min. 10 Mbps) – w przypadku zajęć zdalnych,
• aktualna przeglądarką internetową (Chrome, Edge, Firefox),

Obowiązkowe:

• • Kamera: Uczestnik powinien posiadać działającą kamerę (wbudowaną w laptop/komputer lub zewnętrzną). Kamera umożliwia aktywny udział w sesjach, prezentację ćwiczeń grupowych oraz interakcję z prowadzącym.
  • Mikrofon: Niezbędny jest sprawny mikrofon (wbudowany lub zewnętrzny, np. w zestawie słuchawkowym).Umożliwia zadawanie pytań, udział w dyskusjach i ćwiczeniach grupowych.
  • Zalecane użycie słuchawek z mikrofonem, aby zredukować echo i poprawić jakość dźwięku.

2. Oprogramowanie:

Nie jest wymagane wcześniejsze przygotowanie środowiska programistycznego. Wszystkie niezbędne programy, dane i narzędzia zostaną przekazane przez trenera w trakcie trwania szkolenia.

3. Łącze internetowe:

• Minimum 10 Mbps download / 5 Mbps upload
• Stabilne połączenie bez dużych przerw i opóźnień

4. Środowisko pracy:

• Ciche miejsce do pracy i nauki
• Dostęp do powierzchni roboczej umożliwiającej komfortowe używanie komputera
• Możliwość dzielenia ekranu w trakcie sesji praktycznych i konsultacji

5. Środowisko szkoleniowe

Szkolenie realizowane jest przez platformę umożliwiającą:

• udostępnianie ekranu,
• czat, komunikację audio-wideo,
• współdzielenie materiałów i plików,
• interaktywną prezentację kodu i analiz danych.

Adresatami szkolenia są:

• Osoby posiadające już podstawową wiedzę z zakresu języka Python, analizy danych oraz pracy ze strukturami bazodanowymi, które chcą poszerzyć swoje kompetencje o zaawansowane obszary Machine Learningu i AI.
• Analitycy danych, specjaliści ds. Business Intelligence (BI), inżynierowie danych oraz programiści, którzy pragną nauczyć się budować modele predykcyjne i wdrażać nowoczesne rozwiązania sztucznej inteligencji (LLM/RAG) w środowisku produkcyjnym.
• Osoby planujące rozwój zawodowy i przekwalifikowanie/awans w kierunku ról: Data Scientist, Machine Learning Engineer lub AI Specialist.
• Absolwenci modułowych kursów z zakresu analizy danych (w tym uczestnicy projektów oraz innych programów dofinansowanych z BUR) poszukujący kontynuacji nauki na poziomie zaawansowanym.
• Usługa skierowana jest zarówno do klientów indywidualnych, jak i pracodawców pragnących podnieść kompetencje cyfrowe swoich pracowników w obszarze

Prezentacja w formie PDF ( przekazana najpóźniej w dniu rozpoczęcia szkolenia)

ćwiczenia do samodzielnego wykonania (w trakcie szkolenia, udostępnione przez Trenera)