Kurs Data Science + AI | forma zdalna w czasie rzeczywistym

Kurs będzie trwał 10 tygodni.

Każde zajęcia zdalne na żywo będą trwały 4 godziny.

Zajęcia odbywać się będą w formule - rozmowa na żywo.

Kurs jest podzielony na 20 bloków tematycznych o różnych wymiarach czasowych, dostosowanych do zakresu omawianej tematyki.

Kurs jest opublikowany w godzinach zegarowych. Ewentualne przerwy w trakcie zajęć będą indywidualnie ustalane z trenerem i uczestnikami. Przerwy są wliczone do czasu trwania kursu.

Walidacja efektów uczenia się odbywa się za pomocą testu teoretycznego z wynikiem generowanym automatycznie.

Każdy uczestnik przed kursem otrzymuje materiały do przygotowania się - prework.

Moduły szkoleniowe

Moduł 1: Start pracy z AI-powered Data Science

Wprowadzenie do organizacji pracy na kursie, środowiska narzędziowego oraz roli AI w procesie Data Science. Omówienie ogólnego workflow: dane, model, ewaluacja, interpretacja wyników i decyzje biznesowe.

Moduł 2: Pozyskiwanie danych do modeli ML: pliki, API i web scraping

Pozyskiwanie danych z plików, prostych API oraz źródeł webowych. Wstępna ocena jakości, kompletności i przydatności danych do dalszego modelowania.

Moduł 3: AI-powered workflow ML end-to-end

Przejście przez uproszczony proces Machine Learning od zdefiniowania problemu biznesowego do przygotowania pierwszego modelu. Wykorzystanie AI w analizie, kodowaniu, debugowaniu i interpretacji wyników.

Moduł 4: SQL pod przygotowanie datasetu ML

Wykorzystanie SQL do przygotowania danych pod modele Machine Learning. Zapytania SELECT, filtrowanie, łączenie tabel, agregacje oraz budowa datasetu treningowego.

Moduł 5: Data Cleaning pod modele Machine Learning

Przygotowanie danych pod kątem jakości przyszłego modelu. Braki danych, duplikaty, błędne typy, wartości odstające, niespójności oraz wpływ decyzji cleaningowych na modelowanie.

Moduł 6: EDA pod tworzenie modelu

Eksploracyjna analiza danych ukierunkowana na przygotowanie do modelowania. Analiza rozkładów, zależności między cechami, zmiennej targetowej oraz potencjalnych sygnałów i ryzyk dla modelu.

Moduł 7: Feature Engineering z AI

Tworzenie i przekształcanie cech wykorzystywanych w modelach Machine Learning. Wykorzystanie AI do generowania propozycji cech oraz oceny ich przydatności i ryzyka data leakage.

Moduł 8: Statystyka praktyczna dla Machine Learning

Podstawowe pojęcia statystyczne wykorzystywane w analizie danych i modelowaniu. Miary opisowe, rozkłady, korelacje, zmienność oraz interpretacja zależności w danych.

Moduł 9: Regresja i klasyfikacja jako modele bazowe

Podstawowe typy problemów Machine Learning: regresja i klasyfikacja. Budowa modeli bazowych, dobór podstawowych metryk oraz interpretacja pierwszych wyników.

Moduł 10: Klasteryzacja i segmentacja danych

Praca z danymi bez zdefiniowanej zmiennej targetowej. Klasteryzacja jako metoda segmentacji klientów, produktów, zachowań lub innych obserwacji.

Moduł 11: Drzewa decyzyjne i Random Forest

Modele drzewiaste stosowane w pracy z danymi tabelarycznymi. Drzewa decyzyjne, problem overfittingu oraz Random Forest jako metoda zwiększająca stabilność modelu.

Moduł 12: Gradient Boosting i XGBoost w praktyce

Podejście boostingowe oraz praktyczne wykorzystanie modelu XGBoost. Porównywanie wyników z prostszymi modelami oraz wpływ podstawowych parametrów na jakość modelowania.

Moduł 13: Sieci neuronowe: intuicja, gradient i pierwszy model

Podstawy działania sieci neuronowych na poziomie koncepcyjnym i praktycznym. Neurony, wagi, funkcje aktywacji, funkcja straty, gradient oraz proces uczenia modelu.

Moduł 14: Walidacja i porównywanie modeli ML

Ocena wiarygodności wyników modeli oraz porównywanie różnych podejść modelarskich. Podziały danych, cross-validation, metryki, stabilność wyników oraz typowe błędy ewaluacji.

Moduł 15: Optymalizacja modeli, AutoML i wybór najlepszego podejścia

Poprawa jakości modeli poprzez dobór parametrów i porównywanie wariantów eksperymentów. AutoML jako narzędzie wspierające benchmarkowanie i wybór podejścia modelarskiego.

Moduł 16: Explainable AI i ryzyka modeli

Interpretacja działania modeli oraz analiza ryzyk związanych z ich wykorzystaniem. Wpływ cech na wynik, ograniczenia danych, bias, fairness oraz dokumentowanie wniosków dla interesariuszy.

Moduł 17: Time Series w praktyce

Podstawy pracy z danymi czasowymi i prostym prognozowaniem. Trend, sezonowość, zmienność, przygotowanie danych czasowych oraz walidacja właściwa dla szeregów czasowych.

Moduł 18: LLM, RAG i Hugging Face w pracy Data Scientisty

Zastosowanie modeli językowych i narzędzi GenAI w pracy Data Scientisty. Podstawy LLM, RAG, embeddingów, wyszukiwania semantycznego oraz ekosystemu Hugging Face.

Moduł 19: Deployment modelu ML jako API

Przygotowanie modelu Machine Learning do użycia poza notebookiem. Zapis modelu, pipeline predykcyjny, podstawy budowy API oraz walidacja danych wejściowych.

Moduł 20: Monitoring, MLOps basics i decyzje biznesowe

Podstawy monitorowania modeli po wdrożeniu oraz wybrane elementy MLOps. Śledzenie eksperymentów, metryki, data drift, model drift, ryzyka spadku jakości oraz przekładanie wyników na rekomendacje biznesowe.

Materiały przekazywane kursantom podczas zajęć są udostępniane w formie linków do źródeł, nie udostępniamy ich przed rozpoczęciem szkolenia, a w trakcie zajęć. Przed pierwszymi zajęciami uczestnicy otrzymują prework, są to materiały do samodzielnej nauki przygotowujące do kursu.

Uczestnik dostaje w trakcie kursu wszelkie materiały zawierające kod źródłowy, prezentacje i dostęp do repozytorium – ćwiczeń.

Trenerzy udostępniają autorskie materiały.

Na zakończenie kursu jest przeprowadzany egzamin końcowy, który jest wymagany do zaliczenia kursu. Obecność uczestników potwierdzona będzie za pomocą rejestru logowań. Wymagana obecność to minimum 80% czasu zajęć.

W przypadku kiedy kurs zostanie opłacony środkami publicznymi przez operatora do Dostawcy Usługi i dofinansowanie wynosi co najmniej 70%, cena kursu może zostać zwolniona z podatku VAT, na podstawie § 3 ust. 1 pkt 14 Rozporządzenia Ministra Finansów z dnia 20.12.2013 r. w sprawie zwolnień od o podatku od towarów i usług oraz warunków stosowania tych zwolnień

Uczestnik powinien posiadać dobrą znajomość Microsoft Excel, Google Sheets lub innego programu służącego do analizy danych, charakteryzować się umiejętnościami analitycznego myślenia, oraz znajomością języka angielskiego umożliwiającą czytanie oraz rozumienie dokumentacji.

• konieczność posiadania wbudowanej kamerki, słuchawek, Internetu 3Mb/s download i 3Mb/s upload.
• własny laptop z systemem operacyjnym Windows 10/11 lub/ MacOS 13 lub nowszy,
• optymalna konfiguracja sprzętowa: procesor i5+ lub podobny, 8GB+ pamięci RAM, zalecany dysk SSD

Przed zapisaniem się na kursu Kandydat musi przejść proces rekrutacji. W tym celu skontaktuj się z infoShare Academy.

Szkolnie będzie realizowane zdalnie poprzez platformę Zoom.

Po ukończeniu szkolenia uczestnik otrzymuje zaświadczenie ukończenia kursu.

infoShare Academy uczy na bieżąco, poprzez testy sprawdzające i obserwację pracy przy realizacji projektów, weryfikuje stopień przyswojenia wiedzy i motywuje do dalszej intensywnej pracy.

Uczestnikom oferujemy:

• zdobycie wiedzy niezbędnej w najbardziej pożądanym zawodzie XXI wieku
• dostęp do realnych danych, wykorzystywanych w codziennej pracy przez naszych partnerów
• aktywną pomoc doświadczonych trenerów
• profesjonalne środowisko pracy

Do poszczególnych tematów będą w trakcie szkolenia przypisywani różni trenerzy, w zależności od ich dostępności czasowej, w związku z tym nie są oni wymienieni w polu "Osoby prowadzące". Jako realizator oświadczamy, że wszyscy trenerzy prowadzący zajęcia mają odpowiednie doświadczenie i wykształcenie kierunkowe. Szczegóły dostępne u realizatora szkolenia.

Podczas zajęć będziemy korzystać z różnych urządzeń i oprogramowania. Sprawdź listę wymagań technicznych i sprzętowych, by zapewnić sobie bezproblemowy udział w zajęciach.

Przed przystąpieniem do zajęć, upewnij się, że:

Masz dobre i stabilne łącze internetowe - minimum 3Mb/s download i 3 Mb/s upload. Jeżeli nie masz pewności, sprawdź szybkość swojego łącza na https://www.speedtest.pl/.

Twój system operacyjny to:

• macOS 13 lub nowszy
• Windows 10/11
• Posiadasz słuchawki lub mikrofon, który zbiera tylko głos mówiącego, bez dźwięków z głośników i kamerkę. Jeżeli nie masz słuchawek lub mikrofonu, podczas zajęć skorzystaj z opcji wyciszenia, jeśli w danym momencie nic nie mówisz.
• Jeśli masz taką możliwość - przyda Ci się dodatkowy monitor (może też być telewizor podłączony do komputera). Tak będzie Ci łatwiej pracować z narzędziami oraz aktywnie uczestniczyć w zajęciach, bez konieczności przełączania widoków.