OnlineMożliwe dofinansowanie

Kurs Data Scientist Online + AI / LearnIT

Logo LEARN IT SPÓŁKA Z OGRANICZONĄ ODPOWIEDZIALNOŚCIĄ
LEARN IT SPÓŁKA Z OGRANICZONĄ ODPOWIEDZIALNOŚCIĄ
4.2(60 opinii w BUR)11 zrealizowanych usług
Termin
10.12.2026-20.05.2027
162 dni
Miejsce
Online
online
Czas trwania
132 h
162 dni
Grupa
2-30 osób
Zapisy do
09.12.2026
jeszcze 19 dni
6500,00 zł
brutto za osobę · 6500,00 zł netto · 49,24 zł/h
Termin
10.12.2026-20.05.2027
Miejsce
Online
Zapisy do
09.12.2026
Zmień termin (2 dostępne)

Czego się nauczysz

  • Obsługuje środowisko analityczne Data Science (Jupyter/Colab, Git)
  • Tworzy i analizuje zbiory danych w Pythonie (NumPy, Pandas)
  • Projektuje i trenuje modele uczenia maszynowego (scikit-learn)
  • Wdraża modele ML w chmurze (FastAPI, GCP/AWS)
  • Wizualizuje dane i raportuje wyniki (Matplotlib, Plotly)

Dla kogo

Program szkoleniowy „Data Scientist Online + AI” został zaprojektowany z myślą o osobach dorosłych, które:

  1. nie mają doświadczenia w Data Science i chcą się przekwalifikować,
  2. Poszukują elastycznej formy kształcenia dostosowanej do obowiązków zawodowych i rodzinnych
  3. pracują z danymi i chcą rozwinąć kompetencje analityczne i ML,
  4. potrzebują praktycznych umiejętności w Pythonie, SQL, Pandas/NumPy, scikit-learn, TensorFlow,
  5. planują budować portfolio projektów DS i szukają pracy jako Junior Data Scientist / ML Analyst.
  6. Chcą rozwijać zielone kompetencje, czyli umiejętność tworzenia energooszczędnych, zrównoważonych i odpowiedzialnych środowisk cyfrowych

Usługa rozwojowa adresowana również dla Uczestników projektu Zachodniopomorskie Bony Szkoleniowe.

Program

132 h

Moduł 1. Wprowadzenie i Podstawy Data Science

1. Wprowadzenie

  • Krótki przegląd kursu i ścieżki kompetencji DS/ML
  • Czym jest Machine Learning, Data Science, AI – podobieństwa i różnice
  • Realne case’y zastosowań (biznes, produkt, badania)
  • Aspekt środowiskowy: Uczestnik poznaje znaczenie zrównoważonego rozwoju w branży IT i uczy się, jak analizy danych mogą wspierać decyzje proekologiczne.

2. Środowisko pracy

  • Google Colab i Jupyter Notebook – workflow
  • Instalacja Pythona i bibliotek (pip/venv)
  • Struktura projektu i dobre praktyki pracy z notatnikami
  • Aspekt środowiskowy: Konfiguruje środowisko tak, aby ograniczać zużycie energii – używa mniejszych zestawów danych i zamyka niepotrzebne procesy.

3. Kontrola wersji i GitHub

  • Git: init, commit, branch, merge, PR
  • Git Flow w praktyce (feature/release/hotfix)
  • Praca z GitHub: repozytoria, Issues, Pull Requests
  • Aspekt środowiskowy: Pracuje w sposób ekonomiczny – wersjonuje tylko potrzebne pliki i korzysta z repozytoriów chmurowych zamiast lokalnych kopii, co zmniejsza zużycie pamięci i energii.

Moduł 2. Python dla Data Science

1. Podstawy: składnia, typy i operatory

  • Zmienne, operatory i wyrażenia
  • Liczby całkowite i zmiennoprzecinkowe (int/float)
  • Wejście/wyjście i formatowanie stringów
  • Aspekt środowiskowy: Stosuje czytelny i prosty kod, który jest łatwiejszy w utrzymaniu i mniej obciąża sprzęt.

2. Kolekcje I: listy i łańcuchy znaków

  • Listy: indeksowanie, wycinki, mutowalność
  • Metody list i typowe wzorce (append, extend, sort)
  • Łańcuchy znaków: operacje i metody
  • Aspekt środowiskowy: Uczy się korzystać z metod, które pozwalają przetwarzać dane efektywnie i unikać niepotrzebnego kopiowania dużych struktur.

3. Kolekcje II: słowniki, zbiory i krotki

  • Słowniki, zbiory, krotki – zastosowania
  • Aspekt środowiskowy: Optymalizuje strukturę danych, by ograniczyć zużycie pamięci operacyjnej i energii komputera.

4. Logika i pętle

  • if/elif/else, pętle while/for, range
  • Aspekt środowiskowy: Pisze krótszy kod, który wykonuje mniej operacji i zużywa mniej zasobów obliczeniowych.

5. Funkcje i idiomy

  • Funkcje, parametry, lambda, comprehensions
  • Aspekt środowiskowy: Tworzy funkcje wielokrotnego użytku, ograniczając powielanie kodu i niepotrzebne obliczenia.

6. Programowanie obiektowe (OOP)

  • Klasy, metody, dziedziczenie, kompozycja
  • Aspekt środowiskowy: Stosuje modularne podejście – kod łatwiej utrzymać, testować i rozwijać bez nadmiarowego obciążenia sprzętu.

Moduł 3. Praca z danymi i SQL

1. NumPy i podstawy pracy z tablicami

  • Tablice, operacje wektorowe, broadcasting
  • Aspekt środowiskowy: Stosuje wektoryzację i operacje macierzowe zamiast pętli, co skraca czas obliczeń i zmniejsza zużycie energii.

2. Pandas I: wczytywanie i czyszczenie danych

  • Import danych, filtrowanie, brakujące wartości
  • Aspekt środowiskowy: Uczy się przetwarzać dane w mniejszych partiach (batchach), aby ograniczyć obciążenie systemu.

3. Pandas II: transformacje i grupowanie

  • GroupBy, agregacje, feature engineering
  • Aspekt środowiskowy: Agreguje dane i usuwa duplikaty, dzięki czemu analiza jest szybsza i bardziej energooszczędna.

4. SQL: zapytania i łączenia

  • SELECT, JOIN, GROUP BY, indeksy
  • Aspekt środowiskowy: Pisze zoptymalizowane zapytania SQL, które wymagają mniej operacji dyskowych i energii serwera.

5. ORM z SQLAlchemy i PostgreSQL

  • Modele, relacje, migracje
  • Aspekt środowiskowy: Projektuje bazy danych tak, by minimalizować nadmiar danych i zużycie pamięci w chmurze.

Moduł 4. Matematyka, statystyka i wizualizacja

1. Algebra liniowa w praktyce DS

  • Wektory, macierze, iloczyny, normy
  • Aspekt środowiskowy: Korzysta z optymalnych struktur danych i funkcji, które skracają czas obliczeń i zmniejszają zużycie energii.

2. Statystyka i prawdopodobieństwo

  • Rozkłady, korelacje, weryfikacja hipotez
  • Aspekt środowiskowy: Używa prostszych metod statystycznych, które dają wystarczające wyniki przy mniejszym nakładzie obliczeń.

3. Wizualizacja danych

  • Matplotlib i Plotly – wykresy, dashboardy
  • Aspekt środowiskowy: Przygotowuje wizualizacje w wersji cyfrowej, ograniczając potrzebę drukowania raportów.

Moduł 5. Klasyczne algorytmy Machine Learning

1. Wprowadzenie do ML i typy uczenia

  • Zasady i rodzaje uczenia maszynowego
  • Aspekt środowiskowy: Poznaje wpływ dużych modeli ML na zużycie energii i uczy się dobierać je rozsądnie.

2. Funkcje błędu i spadek gradientu

  • MSE, LogLoss, gradient, walidacja
  • Aspekt środowiskowy: Skraca czas trenowania modeli poprzez mniejsze batch size i ograniczenie epok treningowych.

3. Regresja liniowa

  • Model, interpretacja, diagnostyka
  • Aspekt środowiskowy: Stosuje modele proste i szybkie, które wymagają mniej zasobów sprzętowych.

4. Regresja logistyczna i klasyfikacja

  • Prawdopodobieństwo, metryki, balans klas
  • Aspekt środowiskowy: Ogranicza liczbę iteracji, wybierając efektywne metody uczenia.

5. Regularizacja i kontrola dopasowania

  • L1/L2, walidacja krzyżowa
  • Aspekt środowiskowy: Unika przeuczenia modeli, co zmniejsza potrzebę wielokrotnego trenowania i obciążenia systemu.

6. Przegląd algorytmów i ensemble

  • kNN, SVM, drzewa, Boosting
  • Aspekt środowiskowy: Dobiera algorytmy o mniejszej złożoności obliczeniowej i niższym zużyciu energii.

Moduł 6. Sieci neuronowe i Deep Learning

1. Podstawy sieci neuronowych

  • Neuron, warstwy, aktywacje
  • Aspekt środowiskowy: Rozumie, że trenowanie sieci zużywa dużo energii i planuje eksperymenty w sposób ekonomiczny.

2. Uczenie sieci: straty i optymalizacja

  • Backpropagation, funkcje strat, optymalizatory
  • Aspekt środowiskowy: Dobiera optymalizatory i parametry, które skracają czas treningu i zmniejszają zużycie energii GPU.

3. Stabilne trenowanie

  • Regularizacja, hiperparametry, gradient
  • Aspekt środowiskowy: Używa technik takich jak early stopping, by zatrzymać uczenie, gdy model osiąga odpowiedni wynik.

4. Architektury i transfer learning

  • Architektury, fine-tuning, repozytoria modeli
  • Aspekt środowiskowy: Wykorzystuje gotowe modele (transfer learning), by ograniczyć koszt ponownego trenowania.

5. Praktyka: pierwsza sieć w Keras/PyTorch

  • Przygotowanie danych, trening, test
  • Aspekt środowiskowy: Analizuje zużycie zasobów podczas treningu i dobiera parametry w sposób oszczędny.

Moduł 7. Sieci konwolucyjne (CNN)

1. Wprowadzenie do CNN

  • Konwolucje, pooling, architektura CNN
  • Aspekt środowiskowy: Uczy się projektować modele o mniejszej liczbie warstw i parametrach, by skrócić czas treningu.

2. Warstwy i klasyfikacja obrazów

  • Conv/Pool/Dropout, augmentacja
  • Aspekt środowiskowy: Stosuje augmentację danych zamiast powiększania zbiorów, co zmniejsza zapotrzebowanie na pamięć.

3. Zastosowania CNN – demo

  • Detekcja obiektów, rozpoznawanie twarzy
  • Aspekt środowiskowy: Pracuje na próbkach danych, zamiast pełnych zestawów, aby ograniczyć obciążenie GPU.

Moduł 8. Modele sekwencyjne i NLP

1. RNN, GRU i LSTM

  • Architektury, trenowanie
  • Aspekt środowiskowy: Dobiera liczbę epok i wielkość sekwencji, by nie marnować zasobów obliczeniowych.

2. Attention i Seq2Seq

  • Mechanizm uwagi, tłumaczenia
  • Aspekt środowiskowy: Stosuje uproszczone modele seq2seq do krótszych tekstów, co zmniejsza zużycie energii.

3. Podstawy NLP i reprezentacje

  • Tokenizacja, embeddingi, BERT
  • Aspekt środowiskowy: Używa gotowych modeli językowych zamiast trenować je od zera, ograniczając zużycie energii i czasu.

4. Praktyka NLP

  • Klasyfikacja tekstu, analiza sentymentu
  • Aspekt środowiskowy: Pracuje na próbkach tekstów, testując model na mniejszej liczbie danych.

Moduł 9. Klasteryzacja, PCA i szeregi czasowe

1. Klasteryzacja i anomalie

  • k-Means, DBSCAN
  • Aspekt środowiskowy: Wybiera prostsze metody grupowania, które wymagają mniej iteracji i mniejszej mocy obliczeniowej.

2. Redukcja wymiarowości

  • PCA, t-SNE, wizualizacja
  • Aspekt środowiskowy: Używa metod redukcji wymiarów, aby zmniejszyć rozmiar danych i czas obliczeń.

3. Wprowadzenie do szeregów czasowych

  • Przygotowanie danych, walidacja
  • Aspekt środowiskowy: Ogranicza liczbę próbek w czasie treningu, analizując tylko najważniejsze dane historyczne.

Moduł 10. Inżynieria, API, chmura i kariera

1. Project pipeline i ocena modeli

  • Struktura projektu, metryki, MLflow
  • Aspekt środowiskowy: Monitoruje zużycie zasobów i planuje eksperymenty w sposób oszczędny.

2. API i integracja webowa

  • FastAPI/Flask – endpointy, bezpieczeństwo
  • Aspekt środowiskowy: Tworzy lekkie API, które zużywa mniej zasobów serwera i energii.

3. Chmura i wdrożenia

  • AWS/GCP, MLOps, konteneryzacja
  • Aspekt środowiskowy: Wybiera regiony z energią odnawialną (OZE) i automatyczne wyłączanie nieużywanych zasobów.

4. Przygotowanie projektu dyplomowego

  • Temat, plan, prezentacja
  • Aspekt środowiskowy: Uwzględnia w projekcie dobre praktyki efektywnego wykorzystania energii i danych.

5. Kariera w Data Science

  • CV, portfolio, rozmowa techniczna
  • Aspekt środowiskowy: Promuje świadomość „Green IT” i etycznego wykorzystania technologii w pracy analityka danych.

6 Walidacja za pomocą testu z wynikiem generowanym automatycznie

Łącznie 132 godziny zegarowe realizacji usługi, w tym 24 godziny zegarowe zajęć teoretycznych i 94,5 godziny zegarowej zajęć praktycznych.

Podmiot uprawniony do zwolnienia z VAT na podstawie art. 43 ust. 1 ustawy o VAT.

Zapewniamy:

✅ praktyczną wiedzę i umiejętności zgodne z wymaganiami rynku IT

✅ wsparcie mentorów i trenerów z doświadczeniem komercyjnym

✅ doradztwo kariery – pomoc w stworzeniu profesjonalnego CV, profilu na LinkedIn i GitHub

✅ zajęcia na żywo online, prowadzone w małych grupach poprzez platformę Zoom.

🌟 Organizacja zajęć i proces walidacji

Każde nasze spotkanie jest starannie zaplanowane, aby zapewnić maksymalną efektywność nauki:

  • 📝 Praca domowa: Każde zajęcia rozpoczynamy od sprawdzenia i wspólnego omówienia zadań z poprzedniego spotkania.
  • 📖 Nowy materiał: Następnie wprowadzamy i dokładnie omawiamy nowe zagadnienia teoretyczne.
  • 💻 Praktyka: Pozostałą część zajęć poświęcamy na intensywne ćwiczenia i praktyczne zastosowanie zdobytej wiedzy.

🎓 Walidacja wiedzy: Walidacja przeprowadzana jest na ostatnich zajęciach w formie testu z wynikiem generowanym automatycznie, który ma na celu ocenę nabytej wiedzy.

Terminy i miejsca

Wybierz termin, który Ci pasuje.

Wymagania techniczne

Minimalne wymagania sprzętowe obejmują komputer z systemem operacyjnym Windows 10, macOS lub Linux.

Rekomendowana konfiguracja to procesor klasy i5 lub wyższy, co najmniej 8 GB pamięci RAM oraz dysk SSD dla płynnej pracy.

Niezbędne jest również posiadanie kamery internetowej, słuchawek oraz stabilnego łącza internetowego o prędkości min. 3 Mb/s (zarówno dla pobierania, jak i wysyłania danych).

Wszystkie zajęcia – zarówno część teoretyczna, jak i praktyczna (warsztaty i projekty) – realizowane są w formie zdalnej, na żywo, za pośrednictwem platformy Zoom.

Prowadzący

K
KAROL WOŹNIAK
Specjalista z ponad 5-letnim doświadczeniem komercyjnym w AI, ML i Data Science. Posiada praktyczne umiejętności w budowie, trenowaniu i wdrażaniu modeli ML, analizie danych, computer vision, NLP oraz generative AI. Absolwent Politechniki Warszawskiej — magister Automatyki i Robotyki oraz inżynier Mechatroniki. Ukończył specjalistyczne szkolenia: Machine Learning (Stanford University) oraz Deep Learning Specialization (deeplearning.ai). Doświadczenie zawodowe zdobywał jako Data Scientist w projektach komercyjnych i badawczych w ciągu ostatnich 5 lat, realizując rozwiązania zgodne z tematyką usługi. Ma doświadczenie zawodowe zdobyte nie wcześniej niż 5 lat przed datą publikacji usługi w BUR.

Materiały

Uczestnicy kursu otrzymują dostęp do kompletnego zestawu materiałów edukacyjnych, w tym autorskich podręczników, prezentacji, przykładów kodu oraz nagrań wszystkich zajęć, co umożliwia naukę w indywidualnym tempie i powrót do omawianych treści w dowolnym momencie.

Dodatkowo kursanci korzystają ze wskazówek przygotowanych przez Doradcę Kariery, które obejmują m.in. tworzenie skutecznego CV oraz budowanie profesjonalnego profilu na LinkedIn – z uwzględnieniem wymagań branży IT i specyfiki rekrutacji na stanowisko Junior Data Scientist.

Nasza usługa została przygotowana w zgodzie z założeniami programu Zielone Kompetencje, co oznacza, że w trakcie kursu uczestnicy rozwijają również umiejętności wspierające zrównoważony rozwój, efektywne wykorzystanie zasobów i technologii przyjaznych środowisku – zgodnie z aktualnymi trendami i oczekiwaniami rynku pracy.

Usługa jest zgodna z Regionalną Strategią Innowacji poprzez wpisywanie się w Inteligentne Specjalizacje Regionu.

Informacje dodatkowe

Łącznie 132 godziny zegarowe realizacji usługi, w tym 24 godziny zegarowe zajęć teoretycznych i 94,5 godziny zegarowej zajęć praktycznych.

Szkolenie prowadzone jest przez zespół ekspertów - każdy temat omawiany jest przez dedykowanego trenera, co gwarantuje najwyższą jakość nauki. Kompetencja związana z cyfrową transformacją i zieloną transformacją.

Po ukończeniu kursu uczestnik otrzymuje oficjalne zaświadczenie potwierdzające zdobyte kompetencje.

Kurs również dedykowany jest dla osób chcących skorzystać z projektów “Małopolski pociąg do kariery”, „Zachodniopomorskie Bony Szkoleniowe”. Zawarto umowę z WUP w Toruniu w ramach Projektu Kierunek – Rozwój.

Kolejna edycja planowana za 1,5–2 mies.

Usługa zwolniona z VAT przy finansowaniu minimum 70% ze środków publicznyсh.

Po szkoleniu

Zaświadczenie o nabyciu kompetencji
Sprawdzenie efektów: test teoretyczny z wynikiem generowanym automatycznie.
Podstawa wpisu do BUR: Znak Jakości Małopolskich Standardów Usług Edukacyjno-Szkoleniowych (MSUES) - wersja 2.0
Prowadzisz to szkolenie?
Odbieraj zgłoszenia uczestników bezpośrednio i uzupełnij opis swojej oferty.
Przejmij profil

Numer usługi w BUR: 2026/08/25/182536/3766911 · Dane z Bazy Usług Rozwojowych

Podobne szkolenia

Informatyka i telekomunikacja · Programowanie

6500,00 zł
brutto za osobę