Data Scientist Online + AI / LearnIT

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 

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.

Weryfikacja obecności i frekwencji

Obecność uczestników będzie weryfikowana poprzez:

• system LMS, w którym generowane są listy obecności z każdego spotkania online,
• raporty z platformy (czas logowania, czas aktywności),
• potwierdzenie obecności przez trenera prowadzącego.

Wymagana minimalna frekwencja do zaliczenia kursu wynosi 80%.

Dodatkowe elementy monitorowania postępów

• Uczestnicy zobowiązani są do systematycznego wykonywania zadań domowych, które są weryfikowane w systemie LMS.
• Każda sesja jest nagrywana, a nagrania są udostępniane w LMS, co umożliwia weryfikację przebiegu zajęć oraz ewentualne uzupełnienie wiedzy przez uczestników.
• Brak realizacji wymaganych zadań oraz niewystarczająca obecność (poniżej 80%) skutkuje niezaliczeniem szkolenia i brakiem możliwości otrzymania dokumentu potwierdzającego kompetencje.

Nasz kurs to intensywna, praktyczna ścieżka do zawodu Junior Python Developera.

Łącznie 180 godziny dydaktyczne, w tym 20% (36 g) zajęć teoretycznych i 80% (144 g) praktycznych.

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.

Szkolenie prowadzone jest przez zespół ekspertów – każdy temat omawiany jest przez dedykowanego trenera, co gwarantuje najwyższą jakość nauki.

Po ukończeniu kursu uczestnik otrzymuje oficjalne zaświadczenie potwierdzające zdobyte kompetencje.

Kurs również dedykowany jest dla osób chcących skorzystać z projektu “Małopolski pociąg do kariery”.

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

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.