Kurs Data Scientist Online + AI / LearnIT

- Termin
- 10.12.2026-20.05.2027
- Miejsce
- Online
- Zapisy do
- 09.12.2026
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:
- nie mają doświadczenia w Data Science i chcą się przekwalifikować,
- Poszukują elastycznej formy kształcenia dostosowanej do obowiązków zawodowych i rodzinnych
- pracują z danymi i chcą rozwinąć kompetencje analityczne i ML,
- potrzebują praktycznych umiejętności w Pythonie, SQL, Pandas/NumPy, scikit-learn, TensorFlow,
- planują budować portfolio projektów DS i szukają pracy jako Junior Data Scientist / ML Analyst.
- 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 hModuł 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
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
Numer usługi w BUR: 2026/08/25/182536/3766911 · Dane z Bazy Usług Rozwojowych
Podobne szkolenia
Informatyka i telekomunikacja · Programowanie