Analiza danych wspomagana sztuczną inteligencją (AI) - szkolenie
Możliwość dofinansowania
Analiza danych wspomagana sztuczną inteligencją (AI) - szkolenie
Numer usługi 2026/07/22/219600/3702976
3 130,35 PLN
brutto
2 545,00 PLNnetto
142,29 PLNbrutto/h
115,68 PLNnetto/h
157,50 PLNcena rynkowa
Informacje podstawowe
Informacje podstawowe
- KategoriaInformatyka i telekomunikacja / Programowanie
- Grupa docelowa usługi
- Dla osób pragnących nauczyć się, jak analizować dane w środowisku Python ze wsparciem sztucznej inteligencji
- Dla badaczy i analityków chcących dowiedzieć się, jak efektywnie korzystać ze wsparcia AI w analizie danych, jak zadawać pytania i sprawdzać odpowiedzi
- Minimalna liczba uczestników4
- Maksymalna liczba uczestników15
- Data zakończenia rekrutacji15-09-2026
- Forma prowadzenia usługizdalna w czasie rzeczywistym
- Podstawa uzyskania wpisu do BURZnak Jakości TGLS Quality Alliance
Cel
Cel
Cel edukacyjny
Kurs przygotowuje do praktycznej i samodzielnej analizy danych w Python, pokaże jak umiejętnie i wydajnie zadawać pytania AI (prompt engineering) oraz przygotowuje do samodzielnej pracy na podstawie przykładów kodu do wykorzystania po szkoleniu.Efekty uczenia się oraz kryteria weryfikacji ich osiągnięcia i Metody walidacji
| Efekty uczenia się | Kryteria weryfikacji | Metoda walidacji |
|---|---|---|
| Uczestnik organizuje środowisko pracy analityka danych w Python oraz wykorzystuje narzędzia AI do wspomagania tworzenia kodu. | Uczestnik korzysta z menadżera środowisk wirtualnych | Test teoretyczny z wynikiem generowanym automatycznie |
| Wykonuje analizy w notatnikach Jupyter | Test teoretyczny z wynikiem generowanym automatycznie | |
| Dobiera biblioteki Python odpowiednie do realizacji zadania analitycznego. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Uczestnik formułuje prompty służące do generowania lub modyfikowania kodu programistycznego. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Ocenia poprawność kodu wygenerowanego przez narzędzie AI. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Uczestnik opracowuje skrypty w języku Python wspierające realizację podstawowych zadań związanych z analizą danych. | Stosuje podstawowe elementy składni języka Python. | Test teoretyczny z wynikiem generowanym automatycznie |
| Konstruuje instrukcje sterujące i wykorzystuje struktury danych. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Tworzy proste funkcje służące automatyzacji analiz. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Identyfikuje i usuwa błędy składniowe oraz logiczne w kodzie. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Uczestnik pozyskuje, przetwarza i przygotowuje dane do analiz z wykorzystaniem bibliotek Python. | Uczestnik wczytuje dane z plików przy użyciu biblioteki pandas. | Test teoretyczny z wynikiem generowanym automatycznie |
| Pobiera dane z baz danych z wykorzystaniem zapytań SQL. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Pozyskuje dane z wykorzystaniem API lub technik web scrapingu. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Identyfikuje nieprawidłowości i braki w zbiorach danych. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Przekształca dane do postaci umożliwiającej dalszą analizę. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Uczestnik wykonuje analizy statystyczne i buduje modele predykcyjne z wykorzystaniem bibliotek Python. | Uczestnik przeprowadza analizę korelacji zmiennych. | Test teoretyczny z wynikiem generowanym automatycznie |
| Konstruuje model regresji z wykorzystaniem biblioteki statsmodels. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Interpretuje parametry modelu regresyjnego. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Przygotowuje model uczenia maszynowego z wykorzystaniem biblioteki scikit-learn. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Tworzy prognozy z wykorzystaniem metod wyrównywania wykładniczego. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Ocenia jakość modelu na podstawie wyników walidacji. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Uczestnik przeprowadza eksploarację danych oraz przygotowuje wizualizacje wspierające interpretację wyników analiz. | Uczestnik oblicza podstawowe statystyki opisowe dla analizowanego zbioru danych. | Test teoretyczny z wynikiem generowanym automatycznie |
| Dobiera rodzaj wizualizacji do charakteru danych i celu analizy. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Tworzy wykresy z wykorzystaniem bibliotek matplotlib i seaborn. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Interpretuje zależności widoczne na wykresach i w zestawieniach statystycznych. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Ocenia jakość prezentacji wyników analizy danych. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Uczestnik dobiera rozwiązania oparte na sztucznej inteligencji do wspomagania procesów analizy danych oraz ocenia ich przydatność w pracy analitycznej. | Uczestnik rozróżnia obszary zastosowań i ograniczenia narzędzi AI wspierających programowanie. | Test teoretyczny z wynikiem generowanym automatycznie |
| Dobiera techniki promptowania do określonego celu analitycznego. | Test teoretyczny z wynikiem generowanym automatycznie | |
| Ocenia wiarygodność odpowiedzi oraz kodu generowanego przez AI. | Test teoretyczny z wynikiem generowanym automatycznie |
Kwalifikacje i kompetencje
Kwalifikacje
Kompetencje
Usługa prowadzi do nabycia kompetencji.Warunki uznania kompetencji
Pytanie 1. Czy dokument potwierdzający uzyskanie kompetencji lub wyraźnie z nim powiązane inne dokumenty związane ze wsparciem zawierają opis efektów uczenia się?
TAK
Pytanie 2. Czy dokument lub wyraźnie z nim powiązane inne dokumenty związane ze wsparciem potwierdzają, że walidacja została przeprowadzona w oparciu o zdefiniowane w efektach uczenia się kryteria ich weryfikacji i zgodnie z zaplanowanymi metodami walidacji?
TAK
Pytanie 3. Czy dokument lub wyraźnie z nim powiązane inne dokumenty związane ze wsparciem potwierdzają zastosowanie rozwiązań zapewniających rozdzielenie procesów kształcenia i szkolenia od walidacji?
TAK
Program
Program
Szkolenie adresowane jest dla osób pragnących nauczyć się, jak analizować dane w środowisku Python ze wsparciem sztucznej inteligencji.
Dla badaczy i analityków chcących dowiedzieć się, jak efektywnie korzystać ze wsparcia AI w analizie danych, jak zadawać pytania AI i sprawdzać odpowiedzi
Co zyskasz?
- Praktyczną umiejętność analizy danych w Python
- Umiejętność wydajnego zadawania pytań AI (prompt engineering)
- Zrozumienie ograniczeń AI i umiejętność jej krytycznej oceny
- Znajomość specjalistycznego narzędzia AI zaprojektowanych do wspierania programowania i analizy danych
- Wskazówki do dalszego samokształcenia ze wsparciem AI
- Przykłady kodu do wykorzystania po szkoleniu
Program szkolenia:
- Środowisko data science w Python
- Jupyter notebook
- Przegląd najważniejszych bibliotek data science numpy, pandas, matplotlib i seaborn
- Wsparcie AI w poznawaniu składni i tworzeniu kodu
- Jak to działa i kiedy nie działa
- Dobry prompt
- Tryb agenta i planu
- Podstawy składni Python ze wsparciem AI
- Przykład zadania programistycznego
- Dane
- Podstawowy układ danych
- Pandas
- Wczytywanie danych z plików
- SQL i pobieranie danych z baz danych
- API i webscrapping
- Podstawowy opis danych i wizualizacja
- Jakość danych i przygotowanie danych do analiz
- Korelacja i regresja w statsmodels
- Uczenie maszynowe w scikit-learn - wprowadzenie
- Prognozowanie metodą wyrównywania wykładniczego
- Walidacja - test generowany automatycznie
W trakcie zajęć będą stosowane metody interaktywne i aktywizujące.
Należy dysponować stanowiskiem komputerowym spełniającym wymagania sprzętowe i oprogramowanie:
- komputer z aktualnym systemem Windows 10 lub 11, Linux, Mac OS (spełniający wymogi Anaconda)
- 8 GB RAM
- procesor Intel Core i5 6 generacji lub szybszy
- Anaconda
Godziny zajęć: 8:15 – 15:30
Szkolenie 3- dniowe. Jeden dzień szkoleniowy = 8 godz. dydaktycznych (45-min.) + 75 min. na przerwy, tj. 7 godz. zegarowych dziennie. Łączny czas trwania kursu to 24 godz. dydaktyczne w tym zajęcia praktyczne obejmują 75% kursu a zajęcia teoretyczne 25%.
Harmonogram
Harmonogram
Liczba pozycji harmonogramu: 24
| Przedmiot / temat | Typ aktywności | Prowadzący | Data realizacji zajęć | Godzina rozpoczęcia | Godzina zakończenia | Liczba godzin |
|---|---|---|---|---|---|---|
Przedmiot / temat 1 z 24 Środowisko data science w Python | Typ aktywności Zajęcia | Prowadzący Tomasz Demski | Data realizacji zajęć 23-09-2026 | Godzina rozpoczęcia 08:15 | Godzina zakończenia 09:45 | Liczba godzin 01:30 |
Przedmiot / temat 2 z 24 - | Typ aktywności Przerwa | Prowadzący - | Data realizacji zajęć 23-09-2026 | Godzina rozpoczęcia 09:45 | Godzina zakończenia 10:00 | Liczba godzin 00:15 |
Przedmiot / temat 3 z 24 Wsparcie AI w poznawaniu składni i tworzeniu kodu | Typ aktywności Zajęcia | Prowadzący Tomasz Demski | Data realizacji zajęć 23-09-2026 | Godzina rozpoczęcia 10:00 | Godzina zakończenia 11:30 | Liczba godzin 01:30 |
Przedmiot / temat 4 z 24 - | Typ aktywności Przerwa | Prowadzący - | Data realizacji zajęć 23-09-2026 | Godzina rozpoczęcia 11:30 | Godzina zakończenia 11:45 | Liczba godzin 00:15 |
Przedmiot / temat 5 z 24 Podstawy składni Python ze wsparciem AI | Typ aktywności Zajęcia | Prowadzący Tomasz Demski | Data realizacji zajęć 23-09-2026 | Godzina rozpoczęcia 11:45 | Godzina zakończenia 13:15 | Liczba godzin 01:30 |
Przedmiot / temat 6 z 24 - | Typ aktywności Przerwa | Prowadzący - | Data realizacji zajęć 23-09-2026 | Godzina rozpoczęcia 13:15 | Godzina zakończenia 14:00 | Liczba godzin 00:45 |
Przedmiot / temat 7 z 24 Przykład zadania programistycznego | Typ aktywności Zajęcia | Prowadzący Tomasz Demski | Data realizacji zajęć 23-09-2026 | Godzina rozpoczęcia 14:00 | Godzina zakończenia 15:30 | Liczba godzin 01:30 |
Przedmiot / temat 8 z 24 Dane | Typ aktywności Zajęcia | Prowadzący Tomasz Demski | Data realizacji zajęć 24-09-2026 | Godzina rozpoczęcia 08:15 | Godzina zakończenia 09:45 | Liczba godzin 01:30 |
Przedmiot / temat 9 z 24 - | Typ aktywności Przerwa | Prowadzący - | Data realizacji zajęć 24-09-2026 | Godzina rozpoczęcia 09:45 | Godzina zakończenia 10:00 | Liczba godzin 00:15 |
Przedmiot / temat 10 z 24 Dane cd. | Typ aktywności Zajęcia | Prowadzący Tomasz Demski | Data realizacji zajęć 24-09-2026 | Godzina rozpoczęcia 10:00 | Godzina zakończenia 11:30 | Liczba godzin 01:30 |
Przedmiot / temat 11 z 24 - | Typ aktywności Przerwa | Prowadzący - | Data realizacji zajęć 24-09-2026 | Godzina rozpoczęcia 11:30 | Godzina zakończenia 11:45 | Liczba godzin 00:15 |
Przedmiot / temat 12 z 24 Dane cd. | Typ aktywności Zajęcia | Prowadzący Tomasz Demski | Data realizacji zajęć 24-09-2026 | Godzina rozpoczęcia 11:45 | Godzina zakończenia 12:15 | Liczba godzin 00:30 |
Przedmiot / temat 13 z 24 Podstawowy opis danych i wizualizacja | Typ aktywności Zajęcia | Prowadzący Tomasz Demski | Data realizacji zajęć 24-09-2026 | Godzina rozpoczęcia 12:15 | Godzina zakończenia 13:15 | Liczba godzin 01:00 |
Przedmiot / temat 14 z 24 - | Typ aktywności Przerwa | Prowadzący - | Data realizacji zajęć 24-09-2026 | Godzina rozpoczęcia 13:15 | Godzina zakończenia 14:00 | Liczba godzin 00:45 |
Przedmiot / temat 15 z 24 Podstawowy opis danych i wizualizacja | Typ aktywności Zajęcia | Prowadzący Tomasz Demski | Data realizacji zajęć 24-09-2026 | Godzina rozpoczęcia 14:00 | Godzina zakończenia 15:00 | Liczba godzin 01:00 |
Przedmiot / temat 16 z 24 Jakość danych i przygotowanie danych do analiz | Typ aktywności Zajęcia | Prowadzący Tomasz Demski | Data realizacji zajęć 24-09-2026 | Godzina rozpoczęcia 15:00 | Godzina zakończenia 15:30 | Liczba godzin 00:30 |
Przedmiot / temat 17 z 24 Jakość danych i przygotowanie danych do analiz cd. | Typ aktywności Zajęcia | Prowadzący Tomasz Demski | Data realizacji zajęć 25-09-2026 | Godzina rozpoczęcia 08:15 | Godzina zakończenia 09:45 | Liczba godzin 01:30 |
Przedmiot / temat 18 z 24 - | Typ aktywności Przerwa | Prowadzący - | Data realizacji zajęć 25-09-2026 | Godzina rozpoczęcia 09:45 | Godzina zakończenia 10:00 | Liczba godzin 00:15 |
Przedmiot / temat 19 z 24 Korelacja i regresja w statsmodels | Typ aktywności Zajęcia | Prowadzący Tomasz Demski | Data realizacji zajęć 25-09-2026 | Godzina rozpoczęcia 10:00 | Godzina zakończenia 11:30 | Liczba godzin 01:30 |
Przedmiot / temat 20 z 24 - | Typ aktywności Przerwa | Prowadzący - | Data realizacji zajęć 25-09-2026 | Godzina rozpoczęcia 11:30 | Godzina zakończenia 11:45 | Liczba godzin 00:15 |
Przedmiot / temat 21 z 24 Uczenie maszynowe w scikit-learn - wprowadzenie | Typ aktywności Zajęcia | Prowadzący Tomasz Demski | Data realizacji zajęć 25-09-2026 | Godzina rozpoczęcia 11:45 | Godzina zakończenia 13:15 | Liczba godzin 01:30 |
Przedmiot / temat 22 z 24 - | Typ aktywności Przerwa | Prowadzący - | Data realizacji zajęć 25-09-2026 | Godzina rozpoczęcia 13:15 | Godzina zakończenia 14:00 | Liczba godzin 00:45 |
Przedmiot / temat 23 z 24 Prognozowanie metodą wyrównywania wykładniczego | Typ aktywności Zajęcia | Prowadzący Tomasz Demski | Data realizacji zajęć 25-09-2026 | Godzina rozpoczęcia 14:00 | Godzina zakończenia 15:30 | Liczba godzin 01:30 |
Przedmiot / temat 24 z 24 - | Typ aktywności Walidacja | Prowadzący Tomasz Demski | Data realizacji zajęć 25-09-2026 | Godzina rozpoczęcia 15:30 | Godzina zakończenia 15:45 | Liczba godzin 00:15 |
Podsumowanie
| Rodzaj godzin | Liczba godzin |
|---|---|
Rodzaj godzin Suma godzin zegarowych usługi | Liczba godzin 22:00 |
Rodzaj godzin w tym suma godzin zajęć | Liczba godzin 18:00 |
Rodzaj godzin w tym suma godzin walidacji | Liczba godzin 00:15 |
Rodzaj godzin w tym suma przerw | Liczba godzin 03:45 |
Rodzaj godzin Suma godzin dydaktycznych bez przerw | Liczba godzin 24:15 |
Cena
Cena
Jeżeli korzystasz z dofinansowania i usługa stanowi usługę kształcenia zawodowego lub przekwalifikowania zawodowego wraz z usługą lub dostawą towarów ściśle związaną z usługami kształcenia zawodowego lub przekwalifikowania zawodowego to możesz mieć możliwość skorzystania za zwolnienia z podatku VAT na podstawie art. 43 ust. 1 pkt 29 lit. c ustawy z dnia 11 marca 2024 r. o podatku od towarów i usług, jeśli usługa w całości jest finansowana ze środków publicznych lub § 3 ust. 1 pkt 14 rozporządzenia Ministra Finansów z dnia 20 grudnia 2013 r. w sprawie zwolnień od podatku od towarów i usług oraz warunków stosowania tych zwolnień w przypadku, gdy usługa jest finansowana w co najmniej 70% ze środków publicznych.
Cennik
| Rodzaj ceny | Cena |
|---|---|
Rodzaj ceny Koszt przypadający na 1 uczestnika brutto | Cena 3 130,35 PLN |
Rodzaj ceny Koszt przypadający na 1 uczestnika netto | Cena 2 545,00 PLN |
Rodzaj ceny Koszt osobogodziny brutto | Cena 142,29 PLN |
Rodzaj ceny Koszt osobogodziny netto | Cena 115,68 PLN |
Liczba godzin usługi
| Rodzaj godzin | Liczba godzin |
|---|---|
Rodzaj godzin Liczba godzin zegarowych usługi | Liczba godzin 22:00 |
Prowadzący
Prowadzący
Liczba prowadzących: 1
1 z 1
Tomasz Demski
Ma ponad 20-letnie doświadczenie w prowadzeniu szkoleń z analizy danych.
Magister, Uniwersytet Jagielloński, Wydział Matematyki i Fizyki, studia podyplomowe Inżynieria danych – Big Data Szkoła Głowna Handlowa.
Specjalizuje się w zastosowaniach analizy danych w przemyśle, uczeniu maszynowym. Pracownik StatSoft od 1995 roku. Brał udział i kierował wieloma projektami dotyczącymi wdrożenia SPC, przewidywania wyniku procesu, prognozowania. Prowadzi szkolenia: Analiza danych wspomagana sztuczną inteligencją (AI), Data mining – kurs podstawowy, Data mining – metody predykcyjne, Data Science w Python – szybki start, Prognozowanie metodami uczenia maszynowego w Python, Przygotowanie danych na potrzeby analiz i raportowania, SPC – karty kontrolne i analiza zdolności procesu, Statistica – A quick start (w języku angielskim), Statystyka i uczenie maszynowe dla technologów i inżynierów procesu, Statystyka w jakości – kurs podstawowy, Uczenie maszynowe w Python – szybki start, Wykrywanie anomalii w procesach z wykorzystaniem uczenia maszyn (machine learning). Doświadczenie i kwalifikacje zostały zdobyte nie wcześniej niż 5 lat przed datą wprowadzenia szczegółowych danych dot. oferowanej usługi.
Magister, Uniwersytet Jagielloński, Wydział Matematyki i Fizyki, studia podyplomowe Inżynieria danych – Big Data Szkoła Głowna Handlowa.
Specjalizuje się w zastosowaniach analizy danych w przemyśle, uczeniu maszynowym. Pracownik StatSoft od 1995 roku. Brał udział i kierował wieloma projektami dotyczącymi wdrożenia SPC, przewidywania wyniku procesu, prognozowania. Prowadzi szkolenia: Analiza danych wspomagana sztuczną inteligencją (AI), Data mining – kurs podstawowy, Data mining – metody predykcyjne, Data Science w Python – szybki start, Prognozowanie metodami uczenia maszynowego w Python, Przygotowanie danych na potrzeby analiz i raportowania, SPC – karty kontrolne i analiza zdolności procesu, Statistica – A quick start (w języku angielskim), Statystyka i uczenie maszynowe dla technologów i inżynierów procesu, Statystyka w jakości – kurs podstawowy, Uczenie maszynowe w Python – szybki start, Wykrywanie anomalii w procesach z wykorzystaniem uczenia maszyn (machine learning). Doświadczenie i kwalifikacje zostały zdobyte nie wcześniej niż 5 lat przed datą wprowadzenia szczegółowych danych dot. oferowanej usługi.
Informacje dodatkowe
Informacje dodatkowe
Informacje o materiałach dla uczestników usługi
W ramach szkolenia zapewniamy:
- obszerne materiały szkoleniowe (skrypt, przykładowe pliki danych)
- świadectwo ukończenia szkolenia
W trakcie zajęć będą stosowane metody interaktywne i aktywizujące.
Warunki uczestnictwa
Wymagania:
- umiejętność obsługi komputera w środowisku Windows
- rozumienie podstawowych pojęć analizy danych typu średnia
Wymagana frekwencja w 80% zajęć potwierdzana na podstawie raportu z logowania.
Warunki techniczne
Warunki techniczne
W przypadku szkoleń zdalnych w czasie rzeczywistym:
- zajęcia prowadzone na żywo w MS Teams
- kontakt z prowadzącym w czasie rzeczywistym
Wymagania sprzętowe i oprogramowanie:
- komputer z aktualnym systemem Windows 10 lub 11, Linux, Mac OS (spełniający wymogi Anaconda)
- 8 GB RAM
- procesor Intel Core i5 6 generacji lub szybszy
- Anaconda
Na kursie będziemy korzystać głównie z Jupyter AI (rozszerzenia Jupyter notebook). Pomagamy w instalacji i konfiguracji wymaganego oprogramowania
Kontakt
Kontakt
Paulina Wiśniewska
E-mail
info@statsoft.pl
Telefon
(+48) 12 4284 300