Artificial intelligence. Machine learning - studia podyplomowe
Artificial intelligence. Machine learning - studia podyplomowe
Informacje podstawowe
Informacje podstawowe
- KategoriaInformatyka i telekomunikacja / Administracja IT i systemy komputerowe
- Identyfikatory projektówKierunek - Rozwój, Zachodniopomorskie Bony Szkoleniowe
- Grupa docelowa usługi
To kierunek dla osób, które:
- chcą wejść w świat AI i machine learning od podstaw,
- chcą się przebranżowić i zdobyć nowe kompetencje,
- Są specjalistami i planują pracować z danymi i modelami AI w praktyce,
- szukają studiów online dopasowanych do życia zawodowego,
- chcą pracować z nowoczesnymi technologiami jutra.
Usługa adresowana również dla Uczestników Projektu Kierunek – Rozwój;
Usługa rozwojowa adresowana również dla Uczestników projektu Zachodniopomorskie Bony Szkoleniowe.
- Minimalna liczba uczestników15
- Maksymalna liczba uczestników25
- Data zakończenia rekrutacji13-10-2026
- Forma prowadzenia usługizdalna w czasie rzeczywistym
- Liczba godzin usługi197
- Podstawa uzyskania wpisu do BURart. 163 ust. 1 ustawy z dnia 20 lipca 2018 r. Prawo o szkolnictwie wyższym i nauce (t. j. Dz. U. z 2024 r. poz. 1571, z późn. zm.)
- Zakres uprawnieńStudia podyplomowe
Cel
Cel
Cel edukacyjny
Celem studiów jest przygotowanie uczestników do samodzielnego pozyskiwania, analizowania i przetwarzania danych z wykorzystaniem języka Python, bibliotek Pandas i NumPy oraz języka SQL, a także do projektowania i wdrażania rozwiązań opartych na sztucznej inteligencji. Uczestnicy zdobędą wiedzę i umiejętności w zakresie uczenia maszynowego, budowy i trenowania sieci neuronowych oraz stosowania metod deep learning do analizy tekstu i obrazów.Efekty uczenia się oraz kryteria weryfikacji ich osiągnięcia i Metody walidacji
| Efekty uczenia się | Kryteria weryfikacji | Metoda walidacji |
|---|---|---|
| WIEDZA Opisuje metody, narzędzia i technologie do analizy, wizualizacji oraz interpretacji danych. | -Oblicza, interpretuje i wizualizuje statystyczne wskaźniki empiryczne na podstawie eksploracji danych. -Wyjaśnia możliwości wykorzystania języków R, Python i innych narzędzi do analizy danych." | Test teoretyczny z wynikiem generowanym automatycznie |
| Wywiad ustrukturyzowany | ||
| Prezentacja | ||
| -Opisuje techniki analizy danych stosowane w ekonomii, medycynie, inżynierii i naukach społecznych. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Prezentacja | ||
| Wywiad ustrukturyzowany | ||
| -Charakteryzuje funkcje oprogramowania IT, ekonomicznego, statystycznego oraz SQL w kontekście analizy danych. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Wywiad ustrukturyzowany | ||
| Prezentacja | ||
| -Wyjaśnia zasady działania relacyjnych i nierelacyjnych baz danych oraz ich zastosowanie w analizie danych. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Prezentacja | ||
| Wywiad ustrukturyzowany | ||
| UMIEJĘTNOŚCI Analizuje dane, tworzy modele statystyczne i wykorzystuje narzędzia Data Science do rozwiązywania problemów. | - Interpretuje wyniki obliczeń statystycznych i formułuje wnioski. | Wywiad ustrukturyzowany |
| Prezentacja | ||
| - Tworzy modele statystyczne dostosowane do danych eksperymentalnych i podejmuje decyzje na ich podstawie." | Wywiad ustrukturyzowany | |
| Prezentacja | ||
| - Dobiera i stosuje metody analizy danych do rozwiązywania problemów społecznych, gospodarczych i medycznych. | Prezentacja | |
| Wywiad ustrukturyzowany | ||
| - Obsługuje oprogramowanie Apache Spark oraz Hadoop w kontekście przetwarzania danych. | Wywiad ustrukturyzowany | |
| Prezentacja | ||
| - Wykorzystuje narzędzia SQL oraz systemy zarządzania danymi w analizie Data Science. | Wywiad ustrukturyzowany | |
| Prezentacja | ||
| KOMPETENCJE SPOŁECZNE Wykazuje świadomość znaczenia kodowania w pracy z danymi. Ma świadomość przydatności metod statystycznych do rozwiązywania różnorodnych problemów w różnych dyscyplinach Przestrzega zasad etycznego traktowania danych i współpracy zespołowej. Rozumie znaczenie kodowania, metod statystycznych, etyki danych i współpracy w pracy z danymi. | - Wykazuje świadomość znaczenia kodowania w pracy z danymi | Wywiad ustrukturyzowany |
| Prezentacja | ||
| - Ma świadomość przydatności metod statystycznych do rozwiązywania różnorodnych problemów w różnych dyscyplinach | Prezentacja | |
| Wywiad ustrukturyzowany | ||
| - Przestrzega zasad etycznego traktowania danych i współpracy zespołowej. | Wywiad ustrukturyzowany | |
| Prezentacja |
Kwalifikacje i kompetencje
Kwalifikacje
Kwalifikacje niewłączone do ZSK
Uznane kwalifikacje
Informacje
- Nazwa Podmiotu prowadzącego walidacjęUniwersytet WSB Merito w Gdańsku
- Nazwa Podmiotu certyfikującegoUniwersytet WSB Merito w Gdańsku
Program
Program
LP. | NAZWA PRZEDMIOTU | ŁĄCZNA LICZBA GODZIN ZAJĘĆ | ŁĄCZNA LICZBA PUNKTÓW ECTS | Liczba godzin praktycznych | Liczba godzin teoretycznych |
I. | ANALIZA DANYCH W PYTHON | ||||
1. | Składnia, tablice, funkcje, Pandas | 24,00 | 3,00 | 18,00 | 6,00 |
II. | PODSTAWY MS SQL SERVER | ||||
1. | Diagramy ERD, Normalizacja, SQL DDL, SQL DML | 18,00 | 3,00 | 14,00 | 4,00 |
III. | PROGRAMOWANIE OBIEKTOWE PYTHON | ||||
1. | Atrybuty, dziedziczenie, polimorfizm, metody specjalne | 9,00 | 1,00 | 6,00 | 3,00 |
IV. | WDROŻENIE I ZASTOSOWANIE MODELI UCZENIA MASZYNOWEGO | ||||
1. | Cykl życia modelu uczenia maszynowego - korzystanie z modeli | 8,00 | 1,00 | 7,00 | 1,00 |
2. | Korzystanie z modeli językowych np. chatGPT/ copilot | 6,00 | 1,00 | 5,00 | 1,00 |
3. | Przegląd dostępnych materiałów w publikacjach naukowych | 4,00 | 1,00 | 4,00 | 0,00 |
V. | PODSTAWY STATYSTYKI | ||||
1. | Wprowadzenie do zagadnień statystyki opisowej | 7,00 | 1,00 | 6,00 | 1,00 |
2. | Wprowadzenie do zagadnień statystyki matematycznej | 7,00 | 1,00 | 6,00 | 1,00 |
VI. | UCZENIE MASZYNOWE W PRAKTYCE (PYTHON) | ||||
1. | Algorytmy uczenia maszynowe z nadzorem (regresja liniowa, lasy losowe, xgboost, analiza szeregów czasowych | 20,00 | 3,00 | 16,00 | 4,00 |
VII. | ZAAWANSOWANY SQL | ||||
1. | DDL/DML. Zaawansowany quering | 12,00 | 1,00 | 10,00 | 2,00 |
2. | Integracja SQL z Python | 3,00 | 1,00 | 2,00 | 1,00 |
3. | Wizualizacja danych | 1,00 | 1,00 | 1,00 | 0,00 |
VIII. | NIERALACYJNE BAZY DANYCH (NOSQL) - NP. MONGODB, ELASTIC, NOE4J. WPROWADZENIE DO BAZ DANYCH TYPU NOSQL | ||||
1. | Querying przykładowych baz noSQL | 16,00 | 1,00 | 13,00 | 3,00 |
IX. | WPROWADZENIE DO ALGORYTMÓW GŁĘBOKIEGO UCZENIA MASZYNOWEGO - DEEP LEARNING (KERAS, TESNORFLOW, Pytorch) | ||||
1. | Sieci neuronowe w przetwarzaniu danych numerycznych i kategorycznych | 10,00 | 2,00 | 8,00 | 2,00 |
2. | Sieci neuronowe w przetwarzaniu obrazów | 6,00 | 1,00 | 5,00 | 1,00 |
3. | Sieci rekurencyjne oraz modele encoder-decoder | 8,00 | 1,00 | 7,00 | 1,00 |
X. | COMPUTER VISION | ||||
1. | Wytrenowanie modelu detekcji obiektów na obrazach | 6,00 | 1,00 | 5,00 | 1,00 |
2. | Wykorzystanie modelu do analizy obrazu czasie rzeczywistym | 2,00 | 1,00 | 1,00 | 1,00 |
XI. | ANALIZA DANYCH TEKSTOWYCH Z WYKORZYSTANIEM SZTUCZNEJ INTELIGENCJI | ||||
1. | Wektoryzacja tekstu z wykorzystaniem GloVe | 4,00 | 1,00 | 3,00 | 1,00 |
2. | Wprowadzenie do modeli z atencją | 8,00 | 1,00 | 6,00 | 2,00 |
3. | Analiza tekstu z wykorzystaniem modeli opartych o architekturę Transformer | 8,00 | 1,00 | 7,00 | 1,00 |
XII. | PROJEKT | ||||
1. | Seminarium projektowe | 8,00 | 3,00 | 7,00 | 1,00 |
FORMA ZALICZENIA | |||||
Test końcowy | 1,00 | 0,50 | 1,00 | 0,00 | |
Egzamin końcowy | 1,00 | 0,50 | 1,00 | 0,00 | |
Razem | 197,00 | 32,00 | 159,00 | 38,00 |
Studia realizowane są co 3 tygodnie w soboty i niedziele od 7.45 do 14.30.
Uczestnik po ukończeniu studiów otrzyma świadectwo ukończenia studiów podyplomowych zgodnie ze wzorem zatwierdzonym Ministerstwo Nauki i Szkolnictwa Wyższego.
Proces walidacji efektów uczenia się na studiach podyplomowych realizowany jest poprzez test końcowy z wynikiem generowanym automatycznie (45 minuta platforma moodle) oraz udział walidatora w egzaminie końcowym czyli obronie projektu przedstawianego przez uczestnika w formie prezentacji w formie wywiadu ustrukturyzowany (45 minut).
Liczba godzin w programie nauczania podana jest w godzinach dydaktycznych - 45 min. (197 godz. x 45 min. = 8865 min.)
W harmonogramie zajęć wykazano godziny zegarowe - 60 min. (8865 min. : 60 min. = 147,75 godz.)
Przerwy higieniczne wliczone są w harmonogram zajęć (147,75 godz. + 20 godz. = 167,75 godz.).
Data zakończenia usługi to 27.06.2027, oznacza to, że obrona musi odbyć się najpóźniej w tym dniu.
* UWSB Merito w Gdańsku zastrzega sobie prawo do zmiany terminów zjazdów w tym przesunięcia terminu I zjazdu.
Harmonogram
Harmonogram
| Przedmiot / temat | 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 6 600,00 PLN |
Podmiot uprawniony do zwolnienia z VAT na podstawie art. 43 ust. 1 ustawy o VAT | |
Rodzaj ceny Koszt przypadający na 1 uczestnika netto | Cena 6 600,00 PLN |
Rodzaj ceny Koszt osobogodziny brutto | Cena 33,50 PLN |
Rodzaj ceny Koszt osobogodziny netto | Cena 33,50 PLN |
Rodzaj ceny W tym koszt walidacji brutto | Cena 0,00 PLN |
Rodzaj ceny W tym koszt walidacji netto | Cena 0,00 PLN |
Rodzaj ceny W tym koszt certyfikowania brutto | Cena 0,00 PLN |
Rodzaj ceny W tym koszt certyfikowania netto | Cena 0,00 PLN |
Prowadzący
Prowadzący
Krzysztof Danilewicz
Academic TeacherAcademic Teacher, UWSB Merito w Gdańsku · lut 2019 –obecnie
Senior Quality Assurance EngineerSenior Quality Assurance Engineer
PearlConvert · Pełny etatPearlConvert · Pełny etat wrz 2022 – paź 2024
Software DeveloperSoftware Developer
Banqsoft · Pełny etatBanqsoft · Pełny etat gru 2020 – sie 2022 ·
„Doświadczenie i kwalifikacje zdobyte nie wcześniej niż 5 lat przed datą publikacji usługi w BUR.
Krystian Kozakiewicz
Maciej Sykulak
Trener w UWSB MERITO w Gdańsku od 2018 r.
„Doświadczenie i kwalifikacje zdobyte nie wcześniej niż 5 lat przed datą publikacji usługi w BUR.
Krzysztof Ziółkowski
„Doświadczenie i kwalifikacje zdobyte nie wcześniej niż 5 lat przed datą publikacji usługi w BUR.
Krzesimir Szafrański
Software Engineering ContractorSoftware Engineering Contractor
Sii Poland · · kwi 2021 –obecnie
Developed comprehensive data analysis platforms serving investment banking and pharmaceutical sectors. Architected and implemented end-to-end data processing pipelines using Python and PySpark for large-scale batch processing workflows. Built robust backend systems and configuration management tools to support platform operations. Created automated data quality validation frameworks and comprehensive testing suites to ensure data integrity and pipeline reliability. Contributed to platform infrastructure design and deployment processes. Delivered scalable solutions enabling clients to perform complex financial and pharmaceutical data analysis with improved efficiency and accuracy.
Junior LecturerJunior Lecturer
Uniwersytet WSB Merito Gdańsk · Umowa o dzieło/kontraktUniwersytet WSB Merito Gdańsk · lut 2021 –obecnie
Junior LecturerJunior Lecturer
Uniwersytet WSB Merito Gdańsk · Umowa o dzieło/kontraktUniwersytet WSB Merito Gdańsk · Umowa o dzieło/kontrakt lut 2021 –obecnie · 4 lata9 mies.lut 2021 – obecnie
Delivering "Introduction to Python Programming" and "Advanced Database Systems" lectures to on-site and remote students
Certyfikat: https://achieve.snowflake.com/ca4390d8-cc9c-4891-98b4-95b59e72f40c#acc.tTecJI7O
„Doświadczenie i kwalifikacje zdobyte nie wcześniej niż 5 lat przed datą publikacji usługi w BUR.
Paweł Wieczyński
Senior Data ScientistSenior Data Scientist
lip 2025 –obecnie · 4 mies.lip 2025 – obecnie · 4 mies.
Senior Change and Process Specialist Senior Change and Process Specialist
sie 2022 – lip 2025 · 3 latasie 2022 – lip 2025 · 3 lata
Automation of capital reporting processes (Basel III / IV) and other regulatory reporting streams (using SQL, R and Python).
Preparation of loan tapes for audit purposes.Automation of capital reporting processes (Basel III / IV) and other regulatory reporting streams (using SQL, R and Python). Preparation of loan tapes for audit purposes.
Lecturer
UWSB MERITO w Gdańsku mar 2023 –obecnie
Teaching the following courses for postgraduade students:
- Data Analysis with R
- Machine Learning with R/Python
- Statistics with R/PythonTeaching the following courses for postgraduade students: - Data Analysis with R - Machine Learning with R/Python - Statistics with R/Python
Wykształcenie
Institute of Computer Science, Polish Academy of ScienceInstitute of Computer Science, Polish Academy of Science
Doctor of Philosophy - PhD, Computer ScienceDoctor of Philosophy - PhD, Computer Science paź 2025 – wrz 2029paź 2025 – wrz 2029
Uniwersytet WSB Merito GdańskUniwersytet WSB Merito Gdańsk
Postgraduate, Big Data / Data EngineeringPostgraduate, Big Data /
Juliusz Łosiński
2 lata 1 mies.2 lata 1 mies. Gdynia,
Research and Teaching Assistant in the Department of Artificial IntelligenceResearch and Teaching Assistant in the Department of Artificial Intelligence
paź 2024 –obecnie · 1 rok1 mies.paź 2024 – obecnie
Researching and teaching in artificial intelligence, particularly in machine learning (ML) and deep learning (DL), as well as in computer science, covering architecture and programming languages, on a full-time basis. Additionally, pursuing a PhD focused on computer vision (CV) problems.Researching and teaching in artificial intelligence, particularly in machine learning (ML) and deep learning (DL), as well as in computer science, covering architecture and programming languages, on a full-time basis. Additionally, pursuing a PhD focused on computer vision (CV) problems.
Machine Learning, Deep Learning
Research and Teaching Assistant - InternResearch and Teaching Assistant - Intern paź 2023 – wrz 2024
Researching and teaching computer science, including software architecture and programming languages.Researching and teaching computer science, including software architecture and programming languages.
Uniwersytet Morski w Gdyni
Magister (Mgr), Systemy TeleinformatyczneMagister (Mgr), Systemy Teleinformatyczne lut 2023 – lip 2024
Filip Chodziutko
1 rok 4 mies.1 rok 4 mies. Warszawa, Woj. Mazowieckie,
Junior NLP EngineerJunior NLP Engineer
paź 2024 –obecnie · 1 rok1 mies.paź 2024 – obecnie · 1 rok1 mies.
My responsibilities are mainly:
- analyzing, validating and preprocessing multilingual textual data in collaboration with language experts,
- supervising and automating process of fine-tuning LLMs (various encoder-only, encoder-decoder and decoder-only transformer models),
- researching multiple topics and staying up to date with the newest advances in the AI domain.
Wykształcenie
Politechnika Gdańska
Magister inżynier (Mgr inż.), InformatykaMagister inżynier (Mgr inż.), Informatyka lut 2021 – paź 2022lut 2021 – paź 2022
3 semesters on specialization Machine Learning as part of AI Tech project
Master's thesis: "Waste localization using unmanned aerial vehicle photos and deep learning"3 semesters on specialization Machine Learning as part of AI Tech project Master's thesis: "Waste localization using unmanned aerial vehicle photos and deep learning"
Politechnika GdańskaPolitechnika Gdańska
Inżynier (Inż.), InformatykaInżynier (Inż.), Informatyka paź 2017 – lut 2021paź 2017 – lut 2021
Ocena: 5Ocena: 5
Engineering thesis: "Implementation of interactive, visual deep neu
Szymon Guzik
UWSB Merito w Gdańsku wrz 2022 –obecnie ·Zarządzanie projektem, programista Python
Full Stack Developer
Cyfrowe.pl Sp. z o.o. sie 2021 – gru 2024
Zarządzanie projektem
Full-stack Developer
Web24.com.pl sp. z o.o. Software HouseWeb24.com.pl sp. z o.o. Software House kwi 2021 – sie 2021 · 5 mies.kwi 2021 – sie 2021 · 5 mies.
SQL, Vue
Programista PHP
PROCAD SAPROCAD SA sty 2019 – kwi 2021 · 2 lata4 mies.sty 2019 – kwi 2021 ·
Wykształcenie
Uniwersytet WSB Merito GdańskUniwersytet WSB Merito Gdańsk
Doctor of Philosophy - PhD, Sztuczna inteligencjaDoctor of Philosophy - PhD, Sztuczna inteligencja sty 2022 – cze 2026sty 2022 – cze 2026
Umiejętności: Python · JavaScriptUmiejętności: Python · JavaScript
Uniwersytet WSB Merito GdańskUniwersytet WSB Merito Gdańsk
Studia podyplomowe, Artificial intelligence. Machine learningStudia podyplomowe, Artificial intelligence. Machine learning paź 2022 – cze 2023paź 2022 – cze 2023 Umiejętności: Apache · UML · Laravel · css · html · mysql · php · Zarządzanie projektem · Python · WordPress · GIT · Zarządzanie · SQL · Vue · DDD · Nuxt · JIRAUmiejętności: Apache · UML · Laravel · css · html · mysql · php · Zarządzanie projektem · Python · WordPre
Informacje dodatkowe
Informacje dodatkowe
Informacje o materiałach dla uczestników usługi
Materiały elektroniczne zamieszczane na moodlu/temsach w formie prezentacji, plików dokumentów przygotowanych w dowolnym formacie.
Warunki uczestnictwa
Wymagane jest posiadanie wykształcenia wyższego min. licencjat oraz dostarczenie wymaganych dokumentów w tym potwierdzenie wykształcenia wyższego.
Szczegółowe informacje na temat rekrutacji znajdują się pod linkiem:
https://www.merito.pl/gdansk/studia-i-szkolenia/studia-podyplomowe/zapisy-na-studiapne pod linkiem:
https://www.merito.pl/gdansk/studia-i-szkolenia/studia-podyplomowe/artificial-intelligence-machine-learning
Informacje dodatkowe
W zależności od projektu, w którym uczestnik bierze udział wymagana jest obecność na zajęciach min 80% lub 100% oraz potwierdzenie listy logowań do usługi.
zwolnienie z VAT na podstawie art.43 Ustawy o Podatku od towarów i usług 1. pkt 26.
Przedstawiona powyżej cena obejmuje obecnie obowiązującą promocje w czesnym oraz obejmuje system płatności 10 rat.
Uczestnik studiów otrzymuje świadectwo ukończenie studiów podyplomowych zgodnie z Rozporządzeniem Ministra Nauki z dnia 18 lipca 2024 r. zmieniające rozporządzenie w sprawie dokumentów wydawanych w związku z przebiegiem lub ukończeniem studiów podyplomowych i kształcenia specjalistycznego.
Zawarto umowę z WUP w Toruniu w ramach Projektu Kierunek – Rozwój;
Zawarto umowę z WUP w Szczecinie na świadczenie usług rozwojowych z wykorzystaniem elektronicznych bonów szkoleniowych w ramach projektu Zachodniopomorskie Bony Szkoleniowe.
Warunki techniczne
Warunki techniczne
Warunki techniczne uczestnictwa w zajęciach online
Wymagania minimalne:
- Posiadanie sprzętu elektronicznego z dostępem do Internetu o przepustowości co najmniej 5 Mb/s (zalecane 10 Mb/s lub więcej dla stabilnego połączenia).
- Monitor lub ekran umożliwiający komfortowe uczestnictwo w zajęciach.
- Kamera internetowa.
- Mikrofon oraz głośniki lub słuchawki.
Sprzęt zalecany:
- Laptop lub komputer stacjonarny (rekomendowany dla pełnej funkcjonalności platformy).
- Stabilne połączenie internetowe (preferowane połączenie kablowe zamiast Wi-Fi).
- Słuchawki z mikrofonem w celu poprawy jakości dźwięku.
Oprogramowanie:
- Uczelnia zapewnia dostęp do platformy Microsoft Teams (na której realizowane są zajęcia w czasie rzeczywistym – „face to face”) przez czas realizacji studiów,
- Uczelnia zapewnia dostęp do pakietu Microsoft Office 365.