Big Data i Data Science - Zastosowanie algorytmów sztucznej inteligencji
Big Data i Data Science - Zastosowanie algorytmów sztucznej inteligencji
Informacje podstawowe
Informacje podstawowe
- KategoriaInformatyka i telekomunikacja / Programowanie
- Identyfikatory projektówMałopolski Pociąg do kariery
- Grupa docelowa usługi
Profil uczestników
Szkolenie przeznaczone jest dla analityków danych, architektów struktur danych, programistów oraz osób biorących udział w projektach związanych z Big Data.
Przygotowanie uczestników
Od uczestników szkolenia wymagana są podstawowej wiedzy na temat danych oraz ich analizy, znajomość podstaw języka Python, znajomość podstaw ML.
Czas trwania kursu wynosi 32 godzin lekcyjnych, godzina lekcyjna to 45 minut.
Usługa jest dedykowana dla uczestników projektu Małopolski pociąg do kariery.
Usługa również adresowana dla uczestników projektu Małopolskie Bony rozwojowe Plus" i "Małopolski Pociąg do Kariery”
"Usługa adresowana również dla Uczestników Projektu Kierunek – Rozwój"
- Minimalna liczba uczestników5
- Maksymalna liczba uczestników12
- Data zakończenia rekrutacji30-09-2025
- Forma prowadzenia usługizdalna w czasie rzeczywistym
- Liczba godzin usługi32
- Podstawa uzyskania wpisu do BURZnak Jakości Małopolskich Standardów Usług Edukacyjno-Szkoleniowych (MSUES) - wersja 2.0
Cel
Cel
Cel edukacyjny
Celem szkolenia jest poznanie jest zapoznanie się z zaawansowanymi metodami analizy danych wykorzystujących algorytmy sztucznej inteligencji w celu przetwarzania dużych obszarów danych. Szkolenie jest przeglądem technik i algorytmów AI, które są ważnym elementem nowoczesnej analizy danych.Efekty uczenia się oraz kryteria weryfikacji ich osiągnięcia i Metody walidacji
| Efekty uczenia się | Kryteria weryfikacji | Metoda walidacji |
|---|---|---|
Efekty uczenia się Definiuje pojęcie sztucznej inteligencji (AI) | Kryteria weryfikacji wskazuje podstawowe cechy i cele AI;rozróżnia AI od tradycyjnego programowania; podaje przykłady zastosowań AI. | Metoda walidacji Obserwacja w warunkach symulowanych |
Efekty uczenia się Wyjaśnia zasadę działania algorytmów przeszukiwania w analizie danych | Kryteria weryfikacji opisuje proces przeszukiwania danych przez algorytmy;identyfikuje typowe algorytmy przeszukiwania (np. BFS, DFS, algorytmy heurystyczne); demonstruje zastosowanie algorytmów przeszukiwania na przykładzie problemu analizy danych. | Metoda walidacji Obserwacja w warunkach symulowanych |
Efekty uczenia się Charakteryzuje sieci neuronowe i ich strukturę | Kryteria weryfikacji opisuje podstawowe elementy sieci neuronowej (neurony, warstwy, wagi);wyjaśnia proces uczenia się sieci neuronowej (np. propagacja wsteczna); odróżnia różne typy sieci neuronowych (np. perceptron, sieci konwolucyjne). | Metoda walidacji Obserwacja w warunkach symulowanych |
Efekty uczenia się Wykorzystuje sieci neuronowe do analizy danych | Kryteria weryfikacji dobiera odpowiedni model sieci do zadania analizy danych;konfiguruje podstawowe parametry sieci neuronowej; interpretuje wyniki uzyskane dzięki zastosowaniu sieci neuronowych. | Metoda walidacji Obserwacja w warunkach symulowanych |
Efekty uczenia się Definiuje algorytmy ewolucyjne oraz opisuje ich działanie | Kryteria weryfikacji opisuje mechanizmy działania algorytmów ewolucyjnych (selekcja, krzyżowanie, mutacja);wskazuje obszary zastosowania algorytmów ewolucyjnych; wyjaśnia różnice między algorytmami ewolucyjnymi a innymi metodami optymalizacji. | Metoda walidacji Obserwacja w warunkach symulowanych |
Efekty uczenia się Wykorzystuje algorytmy ewolucyjne do analizy i optymalizacji danych | Kryteria weryfikacji projektuje prosty algorytm ewolucyjny dla wybranego problemu analizy danych;implementuje i testuje algorytm na danych testowych; ocenia efektywność rozwiązania na podstawie wyników. | Metoda walidacji Obserwacja w warunkach symulowanych |
Efekty uczenia się Opisuje najnowsze algorytmy stosowane w zaawansowanym przetwarzaniu danych | Kryteria weryfikacji identyfikuje najnowsze trendy i algorytmy (np. transformers, GANs, reinforcement learning);opisuje zasadę działania wybranych algorytmów; wskazuje przykłady zastosowań zaawansowanych algorytmów w praktyce. | Metoda walidacji Obserwacja w warunkach symulowanych |
Kwalifikacje i kompetencje
Kwalifikacje
Kompetencje
Usługa prowadzi do nabycia kompetencji.Warunki uznania kompetencji
Program
Program
Szczegółowy program szkolenia
Wprowadzenie do zagadnień związanych ze sztuczną inteligencją
- Wstęp do Sztucznej Inteligencji
- Algorytmy Sztucznej Inteligencji
Przeszukiwanie za pomocą algorytmów heurystycznych z implementacją w języku Python
- Problemy rozwiązywane za pomocą przeszukiwania
- Rodzaje algorytmów przeszukiwania
- Rozwiązania siłowe a grafy
- Zastosowania algorytmów przeszukiwania
- Implementacja w języku Python - przykłady
Przeszukiwanie
Sztuczne sieci neuronowe
- Czym są sztuczne sieci neuronowe?
- Perceptron: reprezentacja neuronu
- Sieć ANN
- Projektowanie sztucznych sieci neuronowych
- Przykłady zastosowań sieci neuronowych w języku Python: scikit-learn, TensorFlow, Keras
Algorytmy Ewolucyjne - Algorytmy Genetyczne
- Ewolucja, Genetyka - wstęp
- Do jakich zagadnień stosujemy algorytmy ewolucyjne, genetyczne
- Cykl życia algorytmu genetycznego
- Przestrzeń i populacja rozwiązań
- Przystosowanie – pomiar w populacji
- Operacje na populacji: krzyżowanie, mutacja
- Selekcja
- Operatory selekcji
- Funkcja celu
- Zaawansowane techniki ewolucyjne
- Framework DEAP Python
- Biblioteka geneticalgorithm 1.0.2
- Algorytmy ewolucyjne i struktury danych
- Przykłady implementacji w języku Python
Przegląd najnowszych algorytmów AI:
- ReBeL,
- Efficient Non-Convex Reformulations,
- Memory-Efficient First-Order Semidefinite Programming,
- Advantage Weighted Actor-Critic (AWAC),
- RigL Algorithm,
- Behaviour-Regularised Model-ENsemble (BREMEN)
Metoda realizacji szkolenia
Szkolenie realizowane jest w formie naprzemiennie następujących po sobie wykładów oraz ćwiczeń praktycznych. Szkolenie łączy w sobie wiedzę merytoryczną z praktycznymi przykładami jej wykorzystania w środowisku pracy.
Harmonogram
Harmonogram
| Przedmiot / temat zajęć | Prowadzący | Data realizacji zajęć | Godzina rozpoczęcia | Godzina zakończenia | Liczba godzin |
|---|---|---|---|---|---|
Brak wyników. | |||||
Cena
Cena
Cennik
| Rodzaj ceny | Cena |
|---|---|
Rodzaj ceny Koszt przypadający na 1 uczestnika brutto | Cena 3 444,00 PLN |
Rodzaj ceny Koszt przypadający na 1 uczestnika netto | Cena 2 800,00 PLN |
Rodzaj ceny Koszt osobogodziny brutto | Cena 107,63 PLN |
Rodzaj ceny Koszt osobogodziny netto | Cena 87,50 PLN |
Prowadzący
Prowadzący
Małgorzata Serek
Informacje dodatkowe
Informacje dodatkowe
Informacje o materiałach dla uczestników usługi
Podręczniki w formie elekronicznej
Warunki uczestnictwa
Warunkiem skorzystania ze szkolenia jest dokonanie równolegle rejestracji na kurs na stronie www.comarch.pl/szkolenia w formie:
- elektronicznego zamówienia szkolenia (przycisk "Zamów" przy wybranym temacie i terminie). Opcja ta dotyczy osób fizycznych oraz firm/instytucji
albo
- poprzez uzupełnienie i odesłanie na adres szkolenia@comarch.pl tradycyjnego formularza zgłoszeniowego który jest dostępny na stronie www.comarch.pl/szkolenia (przycisk "Pobierz formularz zgłoszeniowy"). Opcja ta dotyczy wyłącznie firm/Instytucji.
W obu przypadkach przy dokonaniu zgłoszenia prosimy o informacje dotyczącą projektu z którego dofinansowania korzysta Uczestnik.
Informacje dodatkowe
Szkolenie może być nagrywane /rejestrowane w celu kontroli/audytu zgodnie z Regulaminem Świadczenia Usług Szkoleniowych Organizatora.
Uczestnicy szkolenia otrzymają materiały szkoleniowe w wersji elektronicznej.
Szkolenie zakończone jest testem wiedzy z zakresu tematycznego omawianego na szkoleniu.
Zawarto umowę z WUP Kraków na rozliczanie Usług z wykorzystaniem elektronicznych bonów szkoleniowych w ramach projektu „Małopolski Pociąg do Kariery” i "Małopolskie Bony Rozwojowe Plus"
Zawarto umowę z WUP w Toruniu w ramach Projektu Kierunek – Rozwój
Szkolenie przeznaczone również dla uczestników projektu Kierunek Kariera i mbonplus.
Planowana przerwa: –obiadowa 60 min plus 2 kawowe po 30 minut.
Wykładowca ma prawo zmienić godziny przerw, jeśli wymaga tego proces dydaktyczny (np. rozpoczęte ćwiczenie) lub na życzenie większości uczestników kursu (zmęczenie,
Warunki techniczne
Warunki techniczne
Szkolenie realizowane zdalnie, za pośrednictwem Cisco WebEx/MS Teams/ZOOM Meeting. Do realizacji szkolenia niezbędny jest własny laptop z dostępem do internetu oraz przeglądarka internetowa.