Programowanie aplikacji mobilnych - szkolenie wraz z egzaminem
Programowanie aplikacji mobilnych - szkolenie wraz z egzaminem
Informacje podstawowe
Informacje podstawowe
- KategoriaInformatyka i telekomunikacja / Programowanie
- Grupa docelowa usługi
Grupę docelową stanowią osoby pełnoletnie o zróżnicowanym poziomie doświadczenia, które chcą zdobyć lub usystematyzować wiedzę oraz potwierdzić kwalifikacje w obszarze tworzenia inteligentnych aplikacji mobilnych z wykorzystaniem uczenia maszynowego (Edge AI).
W szczególności są to:
- Przedsiębiorcy – osoby rozwijające produkty cyfrowe, dążące do wdrożenia funkcji AI działających offline, redukcji kosztów chmury oraz zapewnienia bezpieczeństwa i prywatności danych użytkowników.
- Osoby początkujące i przebranżawiające się – wchodzące do branży IT, poszukujące perspektywicznej ścieżki rozwoju i praktycznych umiejętności wdrażania modeli ML na urządzenia mobilne od podstaw.
- Praktycy i programiści – deweloperzy aplikacji mobilnych (Android/iOS), specjaliści chcący poszerzyć warsztat o optymalizację i kwantyzację modeli, uczenie federacyjne oraz monitorowanie dryfu modeli na produkcji.
- Minimalna liczba uczestników5
- Maksymalna liczba uczestników16
- Data zakończenia rekrutacji07-03-2027
- Forma prowadzenia usługistacjonarna
- Podstawa uzyskania wpisu do BURCertyfikat systemu zarządzania jakością wg. ISO 9001:2015 (PN-EN ISO 9001:2015) - w zakresie usług szkoleniowych
Cel
Cel
Cel edukacyjny
Celem edukacyjnym usługi "Programowanie aplikacji mobilnych - szkolenie wraz z egzaminem" jest kompleksowe przygotowanie Uczestnika do samodzielnego programowania aplikacji mobilnych poprzez nabycie wiedzy, praktycznych umiejętności oraz kompetencji społecznych z zakresu projektowania, optymalizacji, wdrażania i utrzymania modeli uczenia maszynowego (Edge AI / Mobile ML) bezpośrednio w środowisku aplikacji mobilnych (on-device) oraz architekturach hybrydowych.Efekty uczenia się oraz kryteria weryfikacji ich osiągnięcia i Metody walidacji
| Efekty uczenia się | Kryteria weryfikacji | Metoda walidacji |
|---|---|---|
| Rozróżnia podejścia do personalizacji modeli rekomendacji w aplikacjach mobilnych | Wymienia różnice między uczeniem federacyjnym a podejściem centralizowanym | Test teoretyczny |
| Charakteryzuje wpływ każdego podejścia na prywatność danych użytkownika | Test teoretyczny | |
| Wyjaśnia różnice między on-device inference a cloud inference w aplikacjach | Opisuje konsekwencje wykonywania obliczeń bezpośrednio na urządzeniu | Test teoretyczny |
| Charakteryzuje wpływ każdego podejścia na opóźnienia i dostępność internetu | Test teoretyczny | |
| Klasyfikuje techniki optymalizacji modeli uczenia maszynowego do wdrażania | Wyjaśnia proces kwantyzacji i jego wpływ na rozmiar modelu | Test teoretyczny |
| Opisuje skutki zastosowania różnych technik kompresji na wydajność | Test teoretyczny | |
| Charakteryzuje komponenty architektury model enkoder-dekoder dla generowania tekstu | Wyjaśnia rolę sieci CNN w ekstrakcji cech wizualnych z obrazów | Test teoretyczny |
| Opisuje funkcję sieci rekurencyjnej w generowaniu sekwencji tokenów | Test teoretyczny | |
| Implementuje mechanizmy federacyjnego uczenia maszynowego w aplikacjach mobilnych | Przygotowuje lokalny model do trenowania na urządzeniu mobilnym | Analiza dowodów i deklaracji |
| Konfiguruje synchronizację gradientów między urządzeniem a serwerem | Analiza dowodów i deklaracji | |
| Wdraża modele rozpoznawania mowy działające bez dostępu do internetu | Optymalizuje skompresowany model do wdrożenia lokalnego na urządzeniu | Analiza dowodów i deklaracji |
| Konfiguruje przetwarzanie strumienia audio w czasie rzeczywistym | Analiza dowodów i deklaracji | |
| Diagnozuje i rozwiązuje problemy dryfu konceptualnego w modelach produkcyjnych | Wdraża mechanizm monitorowania zmian w rozkładzie danych | Analiza dowodów i deklaracji |
| Implementuje cykl doszkalania modelu na podstawie nowych obserwacji | Analiza dowodów i deklaracji | |
| Tworzy funkcjonalności generowania opisów do zdjęć w aplikacjach mobilnych | Integruje model CNN-RNN do ekstrakcji cech i generowania tekstu | Analiza dowodów i deklaracji |
| Optymalizuje potok przetwarzania obrazów dla efektywności urządzenia | Analiza dowodów i deklaracji | |
| Komunikuje złożone koncepcje uczenia maszynowego w zrozumiały dla zespołu sposób | Wyjaśnia wybory architektoniczne w modelu z uwzględnieniem ograniczeń | Test teoretyczny |
| Uzasadnia decyzje techniczne dla mniej doświadczonych członków zespołu | Test teoretyczny | |
| Współpracuje efektywnie w zespole nad projektami aplikacji inteligentnych | Koordynuje pracę między specjalistami ds. modeli a developerami aplikacji | Analiza dowodów i deklaracji |
| Uczestniczy konstruktywnie w dyskusjach dotyczących kompromisów technicznych | Analiza dowodów i deklaracji | |
| Ocenia jakość wykonanej pracy i proponuje ulepszenia w procesie wdrażania | Identyfikuje bottlenecki w wydajności i sugeruje rozwiązania | Test teoretyczny |
| Analizuje feedback użytkowników i planuje iteracyjne doskonalenia | Analiza dowodów i deklaracji | |
| Przywiązuje wagę do bezpieczeństwa i prywatności danych użytkowników aplikacji | Uzasadnia wybór on-device inference ze względu na ochronę prywatności | Analiza dowodów i deklaracji |
| Wdraża dobre praktyki w obsłudze danych wrażliwych w aplikacjach | Analiza dowodów i deklaracji |
Kwalifikacje i kompetencje
Kwalifikacje i kompetencje
Kompetencje
Usługa prowadzi do nabycia kompetencji.Warunki uznania kompetencji
Program
Program
- On-Device vs. Cloud Inference
- Porównanie paradygmatów: opóźnienia (latency), koszty infrastruktury, tryb offline, przepustowość łącza.
- Ochrona prywatności i zgodność z regulacjami (RODO, data residency) przy przetwarzaniu lokalnym.
- Techniki optymalizacji i konwersji modeli pod urządzenia mobilne
- Narzędzia wykonawcze: wprowadzenie do formatów Lite/Edge (np. TensorFlow Lite, ONNX Runtime Mobile, Core ML, ExecuTorch).
- Techniki redukcji rozmiaru i przyspieszania: kwantyzacja (post-training quantization, QAT), pruning (przycinanie wag), destylacja wiedzy (knowledge distillation).
- Profilowanie zużycia zasobów: pamięć RAM, obciążenie CPU/GPU/NPU oraz wpływ na drenowanie baterii.
- Systemy rekomendacji w środowisku mobilnym
- Podejścia do personalizacji: Collaborative Filtering, Content-Based, podejścia hybrydowe.
- Personalizacja on-device (wykorzystanie lokalnego kontekstu użytkownika i danych z sensorów) vs. rekomendacje scentralizowane.
- Implementacja Federated Learning w aplikacji mobilnej
- Architektura FL: koordynator (serwer agregujący) a węzły klienckie (urządzenia mobilne).
- Algorytm Federated Averaging (FedAvg).
- Implementacja mechanizmu lokalnego dotrenowywania modelu na urządzeniu bez wysyłania surowych danych użytkownika na serwer.
- Bezpieczeństwo i prywatność: Differential Privacy (prywatność różniczkowa) oraz Secure Aggregation.
5. Lokalne rozpoznawanie mowy (Offline Speech-to-Text / ASR)
- Architektury modeli ASR zoptymalizowanych pod kątem urządzeń brzegowych (np. warianty Whisper Mobile, Vosk, Sherpa-ONNX).
- Wdrożenie potoku ASR działającego całkowicie w trybie offline w aplikacji mobilnej.
- Zarządzanie buforowaniem strumienia audio i optymalizacja opóźnień w czasie rzeczywistym.
6. Architektury enkoder-dekoder i modele generatywne
- Zasada działania modułów enkodera i dekodera (mechanizmy atencji, transformer blocks).
- Specyfika uruchamiania generatywnych modeli językowych/tekstowych w środowiskach o ograniczonych zasobach pamięciowych.
7. Budowa modułu generowania opisów do zdjęć (Vision-Language)
- Architektura łączona: enkoder wizyjny (Vision Transformer / CNN) + dekoder językowy.
- Wdrożenie potoku inferencji: pobranie obrazu z kamery/galerii wstępne przetworzenie lokalna inferencja generowanie naturalnego opisu tekstowego.
- Obsługa błędów, walidacja wygenerowanych treści i optymalizacja responsywności UI podczas inferencji.
8. Monitoring i zwalczanie dryfu danych i konceptu (Data & Concept Drift)
- Różnice między dryfem danych (covariate shift) a dryfem konceptualnym (concept drift) w aplikacjach mobilnych.
- Metody detekcji degradacji jakości modelu na produkcji w warunkach ograniczonego dostępu do etykiet zwrotnych.
- Strategie rozwiązywania problemu: retrening, adaptacja domenowa, dynamiczne przełączanie wersji modeli (A/B testing on-device).
9. Komunikacja techniczna i kultura inżynierska w zespołach AI
- Tłumaczenie metryk uczenia maszynowego (Accuracy, F1, Latency, Perplexity) na wskaźniki biznesowe i UX zrozumiałe dla programistów, testerów i product managerów.
- Standaryzacja procesów CI/CD dla modeli w cyklu życia aplikacji mobilnej.
- Peer review procedur wdrożeniowych i kryteria akceptacji modeli produkcyjnych.
10.Powtórzenie wiadomości
11.Walidacja (test teoretyczny, analiza dowodów i deklaracji)
Ze względu na tematykę szkolenia oraz założone cele zajęcia będą miały charakter warsztatowy (aktywizujący), prowadzone będą w formie wykładów, ćwiczeń, treningów oraz poprzez symulacje, ćwiczenia indywidualne i grupowe, burzę mózgów z wykorzystaniem nowoczesnych metod w dużym stopniu nastawionych na ćwiczenia, aktywność uczestników.
Sala szkoleniowa spełnia normy BHP i P.POŻ., co zapewnia komfort i bezpieczeństwo podczas zajęć.
Poziom wiedzy kursantów zostanie zbadany na początku szkolenia, poprzez przeprowadzenie pre-testu, natomiast przyrost wiedzy po odbyciu kursu zweryfikowany zostanie na postawie post-testu.
Każdy uczestnik dostanie możliwość oceny szkolenia, zakresu tematycznego, trenera, wyczerpanego zakresu tematycznego poprzez wypełnienie anonimowej ankiety.
Szkolenie przeprowadzone zostanie w wymiarze 17 godzin zegarowych.
Usługa obejmuje 6 godzin zajęć praktycznych, 7 godzin zajęć teoretycznych oraz 1 godz. 30 min. walidacji i 2 godz. 30 min. przerw
Walidacja zostanie przeprowadzona w oparciu o zdefiniowane w efektach uczenia się kryteria weryfikacji i zgodnie z zaplanowanymi metodami walidacji (test teoretyczny, analiza dowodów i deklaracji) z zachowaniem rozdzielności procesów kształcenia i szkolenia od walidacji. W przypadku pozytywnego wyniku egzaminu, Uczestnik otrzymuje certyfikat oraz zaświadczenie o ukończeniu szkolenia.
Harmonogram
Harmonogram
| Przedmiot / temat | Typ aktywności | Prowadzący | Data realizacji zajęć | Godzina rozpoczęcia | Godzina zakończenia | Liczba godzin |
|---|---|---|---|---|---|---|
Przedmiot / temat 1 z 17 On-Device vs. Cloud Inference | Typ aktywności Zajęcia | Prowadzący Konstanty Kosiorowski | Data realizacji zajęć 08-03-2027 | Godzina rozpoczęcia 08:30 | Godzina zakończenia 09:00 | Liczba godzin 00:30 |
Przedmiot / temat 2 z 17 Techniki optymalizacji i konwersji modeli pod urządzenia mobilne | Typ aktywności Zajęcia | Prowadzący Konstanty Kosiorowski | Data realizacji zajęć 08-03-2027 | Godzina rozpoczęcia 09:00 | Godzina zakończenia 09:45 | Liczba godzin 00:45 |
Przedmiot / temat 3 z 17 - | Typ aktywności Przerwa | Prowadzący - | Data realizacji zajęć 08-03-2027 | Godzina rozpoczęcia 09:45 | Godzina zakończenia 10:00 | Liczba godzin 00:15 |
Przedmiot / temat 4 z 17 Techniki optymalizacji i konwersji modeli pod urządzenia mobilne | Typ aktywności Zajęcia | Prowadzący Konstanty Kosiorowski | Data realizacji zajęć 08-03-2027 | Godzina rozpoczęcia 10:00 | Godzina zakończenia 11:00 | Liczba godzin 01:00 |
Przedmiot / temat 5 z 17 Systemy rekomendacji w środowisku mobilnym | Typ aktywności Zajęcia | Prowadzący Konstanty Kosiorowski | Data realizacji zajęć 08-03-2027 | Godzina rozpoczęcia 11:00 | Godzina zakończenia 12:30 | Liczba godzin 01:30 |
Przedmiot / temat 6 z 17 - | Typ aktywności Przerwa | Prowadzący - | Data realizacji zajęć 08-03-2027 | Godzina rozpoczęcia 12:30 | Godzina zakończenia 12:45 | Liczba godzin 00:15 |
Przedmiot / temat 7 z 17 Implementacja Federated Learning w aplikacji mobilnej | Typ aktywności Zajęcia | Prowadzący Konstanty Kosiorowski | Data realizacji zajęć 08-03-2027 | Godzina rozpoczęcia 12:45 | Godzina zakończenia 13:30 | Liczba godzin 00:45 |
Przedmiot / temat 8 z 17 Lokalne rozpoznawanie mowy (Offline Speech-to-Text / ASR) | Typ aktywności Zajęcia | Prowadzący Konstanty Kosiorowski | Data realizacji zajęć 09-03-2027 | Godzina rozpoczęcia 08:30 | Godzina zakończenia 10:00 | Liczba godzin 01:30 |
Przedmiot / temat 9 z 17 - | Typ aktywności Przerwa | Prowadzący - | Data realizacji zajęć 09-03-2027 | Godzina rozpoczęcia 10:00 | Godzina zakończenia 11:00 | Liczba godzin 01:00 |
Przedmiot / temat 10 z 17 Architektury enkoder-dekoder i modele generatywne | Typ aktywności Zajęcia | Prowadzący Konstanty Kosiorowski | Data realizacji zajęć 09-03-2027 | Godzina rozpoczęcia 11:00 | Godzina zakończenia 12:30 | Liczba godzin 01:30 |
Przedmiot / temat 11 z 17 Budowa modułu generowania opisów do zdjęć (Vision-Language) | Typ aktywności Zajęcia | Prowadzący Konstanty Kosiorowski | Data realizacji zajęć 09-03-2027 | Godzina rozpoczęcia 12:30 | Godzina zakończenia 14:30 | Liczba godzin 02:00 |
Przedmiot / temat 12 z 17 Monitoring i zwalczanie dryfu danych i konceptu (Data & Concept Drift) | Typ aktywności Zajęcia | Prowadzący Konstanty Kosiorowski | Data realizacji zajęć 10-03-2027 | Godzina rozpoczęcia 09:00 | Godzina zakończenia 10:00 | Liczba godzin 01:00 |
Przedmiot / temat 13 z 17 Komunikacja techniczna i kultura inżynierska w zespołach AI | Typ aktywności Zajęcia | Prowadzący Konstanty Kosiorowski | Data realizacji zajęć 10-03-2027 | Godzina rozpoczęcia 10:00 | Godzina zakończenia 11:30 | Liczba godzin 01:30 |
Przedmiot / temat 14 z 17 - | Typ aktywności Przerwa | Prowadzący - | Data realizacji zajęć 10-03-2027 | Godzina rozpoczęcia 11:30 | Godzina zakończenia 12:00 | Liczba godzin 00:30 |
Przedmiot / temat 15 z 17 Powtórzenie wiadomości | Typ aktywności Zajęcia | Prowadzący Konstanty Kosiorowski | Data realizacji zajęć 10-03-2027 | Godzina rozpoczęcia 12:00 | Godzina zakończenia 13:00 | Liczba godzin 01:00 |
Przedmiot / temat 16 z 17 - | Typ aktywności Przerwa | Prowadzący - | Data realizacji zajęć 10-03-2027 | Godzina rozpoczęcia 13:00 | Godzina zakończenia 13:30 | Liczba godzin 00:30 |
Przedmiot / temat 17 z 17 - | Typ aktywności Walidacja | Prowadzący - | Data realizacji zajęć 10-03-2027 | Godzina rozpoczęcia 13:30 | Godzina zakończenia 15:00 | Liczba godzin 01:30 |
Podsumowanie
| Rodzaj godzin | Liczba godzin |
|---|---|
Rodzaj godzin Suma godzin zegarowych usługi | Liczba godzin 17:00 |
Rodzaj godzin w tym suma godzin zajęć | Liczba godzin 13:00 |
Rodzaj godzin w tym suma godzin walidacji | Liczba godzin 01:30 |
Rodzaj godzin w tym suma przerw | Liczba godzin 02:30 |
Rodzaj godzin Suma godzin dydaktycznych bez przerw | Liczba godzin 19:15 |
Cena
Cena
Cennik
| Rodzaj ceny | Cena |
|---|---|
Rodzaj ceny Koszt przypadający na 1 uczestnika brutto | Cena 5 600,00 PLN |
Podmiot uprawniony do zwolnienia z VAT na podstawie art. 43 ust. 1 pkt 29 - usługi kształcenia zawodowego lub przekwalifikowania zawodowego, inne niż wymienione w pkt 26, (i) prowadzone w formach i na zasadach przewidzianych w odrębnych przepisach, lub (ii) świadczone przez podmioty, które uzyskały akredytację w rozumieniu przepisów ustawy z dnia 14 grudnia 2016 r. - Prawo oświatowe - wyłącznie w zakresie usług objętych akredytacją oraz świadczenie usług i dostawa towarów ściśle z tymi usługami związane. | |
Rodzaj ceny Koszt przypadający na 1 uczestnika netto | Cena 5 600,00 PLN |
Rodzaj ceny Koszt osobogodziny brutto | Cena 329,41 PLN |
Rodzaj ceny Koszt osobogodziny netto | Cena 329,41 PLN |
Liczba godzin usługi
| Rodzaj godzin | Liczba godzin |
|---|---|
Rodzaj godzin Liczba godzin zegarowych usługi | Liczba godzin 17:00 |
Prowadzący
Prowadzący
Konstanty Kosiorowski
Informacje dodatkowe
Informacje dodatkowe
Informacje o materiałach dla uczestników usługi
Materiały szkoleniowe (teczkę, notes, długopis) zapewnia wykonawca usługi.
Warunki uczestnictwa
Szkolenie skierowane jest do osób pełnoletnich (powyżej 18 r.ż.)
Uczestnik zobowiązany jest do wzięcia udziału w usłudze w wymiarze nie mniejszym niż 80% obecności, oraz przystąpić do procesu walidacji. Wymagany poziom frekwencji gwarantuje odpowiednie opanowanie materiału i rzetelne przygotowanie uczestnika do końcowego egzaminu.
Adres
Adres
Udogodnienia w miejscu realizacji usługi
- Pracownia warsztatowa wyposażona jest w odpowiedni sprzęt adekwatny do typu szkolenia
- Wi-fi