Kurs PRO
AI & Data Science
Poznaj pakiet technologii i narzędzi, niezbędny do pracy związanej z uczeniem maszynowym / sztuczną inteligencją, w trakcie blisko 420h nauki zakończonej zdobyciem kompetencji umożliwiających podjęcie pracy na stanowisku Data Scientist.

Sprawdź, czy ten kurs jest dla Ciebie
Kurs będzie dla Ciebie dobrym wyborem jeśli:
Posiadasz umiejętność logicznego myślenia i rozwiązywania problemów (sprawdzimy to na testach predyspozycji!).
Znasz podstawowe pojęcia programistyczne (niezależnie od języka programowania).
Masz silną motywację do poznania w krótkim czasie całego spektrum zagadnień związanych z pracą w branży data science.
Jesteś gotowy na intensywną naukę zarówno podczas zajęć, jak i poza nimi.
Chcesz nauczyć się Pythona?
Zrób nasz darmowy kurs Podstawy programowania w języku Python.
Choć znajomość Pythona nie jest obowiązkowa, aby rozpocząć kurs AI & Data Science, to warto poszerzyć swoje kompetencjez zakresu programowania w tym języku. Kurs porusza takie tematy jak:
Algorytmy i struktury danych.
Zaawansowane aspekty programowania obiektowego.
Zmienne, typy danych, operatory w Pythonie.

Zdobądź kwalifikacje niezbędne do pracy w komercyjnych projektach Data Science
Zdobądź kompetencje pożądane na rynku pracy w dobie rozwoju AI, dostosowane do aktualnych potrzeb biznesu i oczekiwań pracodawców względem kandydatów na stanowisko Data Scientist.
Nasz bootcamp dostarcza kompleksowej wiedzy z obszaru data science. Podczas programu nabędziesz praktyczne umiejętności, które stale będziesz wykorzystywać do rozwiązywania problemów w przyszłej pracy.
Jakie umiejętności zdobędziesz po kursie AI & Data Science?
Python
Nauczysz się programować w języku Python
Praca z danymi
Opanujesz biblioteki do pracy z danymi
SQL
Nauczysz się wydobywać dane z baz przy użyciu języka SQL
Git
Poznasz system wersjonowania kodu Git
Analiza danych
Poznasz statystyczne metody analizy danych
Uczenie maszynowe
Poznasz najważniejsze stosowane w praktyce algorytmy uczenia maszynowego (machine learning)
Modelowanie
Poznasz najważniejsze stosowane w modelowaniu profesjonalne zabiegi i techniki
Sieci neuronowe
Poznasz najbardziej zaawansowane algorytmy ML - sieci neuronowe (deep learning)
Implementacja procesów
Nauczysz się implementować produkcyjnej jakości procesy
Sztuczna inteligencja
Zrozumiesz jak działa współczesna sztuczna inteligencja (AI) - jakie ma możliwości i ograniczenia
Sztuczna inteligencja w Data science
Dowiesz się jak można wykorzystywać generatywną sztuczną inteligencję w pracy specjalisty data science
Projekty w Data Science
Nauczysz się realizować pełen proces projektów data science: od przygotowania danych, poprzez eksperymenty z modelami, po ewaluację rozwiązań
Problemy biznesowe
Zrozumiesz jak przekładać problemy biznesowe na zadania data science i jak komunikować wyniki
Zaaplikuj na kurs AI & Data Science
Liczba miejsc na każdą z edycji jest ograniczona. O udziale w kursie decyduje kolejność podpisanych umów, więc nie zwlekaj zbyt długo z decyzją.
Kurs e-learningowy Uczenie Maszynowe dostępny w pakietach znajdziesz tutaj.
Kurs AI & Data Science
tryb weekendowy
- 240 godzin pracy na żywo z trenerem (tryb weekendowy)
- Pre work - pakiet materiałów przygotowujących do kursu wraz z zadaniami (40 godzin)
- Dostęp do nagrań z kursu przez 12 miesięcy od rozpoczęcia zajęć
- Konsultacje i mentoring w trakcie trwania kursu i realizacji projektu
- Aktualne narzędzia i dobre praktyki
- Projekt końcowy
- Certyfikat ukończenia kursu
- GRATIS: kurs e-learningowy Uczenie Maszynowe o wartości 1 699 zł
Program kursu
1. Prework
- Na pierwszych zajęciach kursu skupimy się na programowaniu w Pythonie, ale żeby zwiększyć efektywność zajęć, zalecamy zapoznanie się z podstawami tego języka w domu przed zajęciami. Tzw. prework obejmuje fundamenty programowania w Pythonie. To praktyczne przygotowanie umożliwia łatwiejsze wejście w kurs i będzie szczególnie przydatne dla osób, które nigdy nie używały języka Python.
- ZAGADNIENIA Z MODUŁU:
- ✔️ Składania języka Python
- ✔️ Typy danych
- ✔️ Instrukcje sterujące
- ✔️ Funkcje
2. Programowanie w języku Python
- Pierwszy zjazd to intensywne zanurzenie w Pythonie – języku, który jest standardem w data science. Uczestnicy uczą się nie tylko podstaw składni, ale również poznają bardziej zaawansowane konstrukcje, które przydają się w pracy zawodowej. Moduł daje solidne fundamenty do dalszej pracy analitycznej i algorytmicznej.
- ZAGADNIENIA Z MODUŁU:
- ✔️ Podstawy języka Python: typy danych, instrukcje sterujące, funkcje
- ✔️ List comprehensions - efektywne przetwarzanie sekwencji danych
- ✔️ Zaawansowane mechanizmy przekazywania argumentów w funkcjach
- ✔️ Obsługa wyjątków i zarządzanie błędami
- ✔️ Programowanie obiektowe – klasy i metody
- ✔️ Wyrażenia regularne (regex) - wydobywanie składowych tekstów
3. Niezbędne narzędzia pracy w branży data science
- W pracy w data science nie wystarczy tylko znajomość języka programowania – potrzebne są też różnorodne narzędzia do wydobywania danych, pracy zespołowej i organizacji projektów. Te aspekty są wprowadzeniem w praktyczne aspekty codziennej pracy.
- ZAGADNIENIA Z MODUŁU:
- ✔️ Środowisko programistyczne PyCharm
- ✔️ Środowisko programistyczne Jupyter
- ✔️ Język SQL - wydobywanie danych z baz SQL
- ✔️ System wersjonowania kodu Git
4. Praca z danymi w języku Python
- Sprawne operowanie danymi to fundament data science. Ten moduł uczy jak efektywnie wczytywać, przetwarzać, analizować i wizualizować dane w Pythonie, korzystając z najważniejszych w branży bibliotek.
- ZAGADNIENIA Z MODUŁU:
- ✔️ Moduł obliczeniowy numpy
- ✔️ Przetwarzanie i analiza danych z biblioteką pandas
- ✔️ Wizualizacja danych z biblioteką matplotlib
- ✔️ Obsługa danych różnych formatów (txt, csv, xlsx, json)
- ✔️ Pobieranie danych przez API
- ✔️ Web scraping - pobieranie danych ze stron internetowych
- ✔️ Łączenie z SQL'owymi bazami danych z poziomu Pythona
5. Statystystyka w data science
- Statystyka to podstawa analizy danych. Moduł przedstawia najważniejsze koncepcje z zakresu rachunku prawdopodobieństwa, estymacji i testowania hipotez. Ta wiedza jest również niezbędna do zrozumienia działania wielu algorytmów uczenia maszynowego i poprawnego stosowania ich w praktyce.
- ZAGADNIENIA Z MODUŁU:
- ✔️ Rachunek prawdopodobieństwa - matematyczne podstawy modelowania danych
- ✔️ Zagadnienie estymacji statystycznej
- ✔️ Przedziały ufności i ich znaczenie w praktyce
- ✔️ Eksperymenty statystyczne - testowanie hipotez
6. Modelowanie regresyjne - przewidywanie wielkości liczbowych
- W tym module rozpoczynamy przygodę z algorytmami predykcyjnymi. Omawiamy nie tylko jeden z bardzo ważnych modeli, ale dowiadujemy się na czym polega praca z modelami w ogóle: jak uczą się modele, jak je testować, jak w praktyce szukać najlepszych rozwiązań.
- ZAGADNIENIA Z MODUŁU:
- ✔️ Problem przewidywania wielkości liczbowych - zagadnienie regresji
- ✔️ Model regresji liniowej, mechanizm i interpretacja działania
- ✔️ Metodologia trenowania i ewaluacji jakości modeli
- ✔️ Metody ewaluacji jakości rozwiązań i walidacja modeli
- ✔️ Optymalizacja dopasowania modeli - problem przeuczenia (overfitting)
- ✔️ Problematyka obserwacji odstających - outliers
- ✔️ Proces modelowania a korelacje w danych
- ✔️ Praktyczne szukanie najlepszego modelu poprzez transformowanie danych
7. Praca z algorytmami uczenia maszynowego
- Jak sprawić, żeby algorytm potrafił rozpoznać, czy klient kupi produkt, czy recenzja jest pozytywna, albo czy transakcja jest podejrzana? W tym module dowiadujemy się, jak tłumaczy się rzeczywiste problemy biznesowe na język uczenia maszynowego, a konkretnie zadania klasyfikacji. Omawiamy różnorakie algorytmy stosowane do takich zadań, a także praktycznie przechodzimy przez cały proces budowy klasyfikatorów: od przygotowania danych i eksploracji, przez trenowanie i optymalizację algorytmów, aż po ich ocenę i ulepszanie.)
- ZAGADNIENIA Z MODUŁU:
- ✔️ Zagadnienie klasyfikacji - tłumaczenie problemów biznesowych na problem klasyfikacji
- ✔️ Uczenie maszynowe a modelowanie statystyczne - czym się różnią i co mają wspólnego
- ✔️ Eksploracja danych (EDA) na potrzeby modelowania, przygotowywanie rzeczywistych zbiorów danych do modelowania, czyszczenie danych)
- ✔️ Podstawowe algorytmy klasyfikacji używane w biznesie: model regresji logistycznej, drzewa decyzyjne, SVM
- ✔️ Praktyczne wzmacnianie algorytmów poprzez tworzenie komitetów decyzyjnych (ensembling), lasy losowe
- ✔️ Feature engineering (inżyniera cech) - techniki obsługi różnych typów zmiennych, zasady ich wykorzystania i dobre praktyki
- ✔️ Ocena wpływu czynników wejściowych na predykcje, interpretowalność modeli lub jej brak (problem czarnych skrzynek)
8. Zaawansowane aspekty uczenia maszynowego
- Na tym etapie kursu uczymy się, jak rozwiązywać trudne problemy związane z jakością danych i skutecznością modeli. Omawiamy zaawansowane techniki budowy silnych modeli, w tym bardzo ważnego w praktyce algorytmu XGBoost, a także oceniania predykcji, również z perspektywy komunikacji z interesariuszami.
- ZAGADNIENIA Z MODUŁU:
- ✔️ Życiowe problemy z danymi i specjalistyczne techniki radzenia sobie z nimi (braki w danych, problem niezbalansowanych danych)
- ✔️ Praktyczny tuning modeli - optymalizacja hiperparametrów algorytmów i całych procesów predykcyjnych
- ✔️ Algorytmy zaawansowane: boosting i XGBoost
- ✔️ Profesjonalna ewaluacja jakości klasyfikatorów - komunikacji wyników dla biznesu (proste metryki) i dla specjalistów (skomplikowane metryki)
9. Nienadzorowane uczenie maszynowe
- Nie wszystkie problemy analityczne mają gotowe odpowiedzi, na których algorytmy mogłyby się uczyć – ten moduł pokazuje, jak radzić sobie z takimi otwartymi problemami za pomocą nienadzorowanego uczenia maszynowego. Uczymy się jak kierować algorytmami, które samodzielnie muszą wypracować wartościowe wyniki.
- ZAGADNIENIA Z MODUŁU:
- ✔️ Modelowanie danych tekstowych
- ✔️ Rozwiązywanie otwartych problemów analitycznych - niezadzorowane uczenie maszynowe
- ✔️ Przekleństwo wymiarowości i redukcja wymiaru danych przy użyciu SVD i PCA
- ✔️ Algorytmy grupowania/segmentacji danych - najczęściej stosowane algorytmy, dobór algorytmu do problemu, analiza i interpretacja efektów
10. Produkcyjna realizacja projektów data science
- Data science to nie tylko analiza – to także implementacja gotowych do użycia rozwiązań. Ten moduł uczy, jak budować profesjonalne pipeline’y, organizować kod i środowiska, oraz efektywnie optymalizować procesy predykcyjne. Omawiamy też narzędzia do monitorowania modeli i eksperymentów.
- ZAGADNIENIA Z MODUŁU:
- ✔️ Implementacja produkcyjnej jakości procesów predykcyjnych - machine learning pipelines
- ✔️ Obiektowa implementacja komponentów procesów
- ✔️ Zarządzanie strukturą i środowiskiem projektu
- ✔️ Automatyzacja inteligentnego szukania optymalnych rozwiązań - optymalizacja bayesowska
- ✔️ Zarządzanie eksperymentami i monitorowanie efektów działania rozwiązań - MLFlow
11. Deep learning & NLP
- To najbardziej zaawansowany i wyjątkowo istotny obszar we współczesnym data science. Zaczynamy od dokładnego wyjaśnienia podstaw działania sieci neuronowych, a kończymy na nowoczesnych architekturach wykorzystywanych w rozpoznawaniu obrazów i przetwarzaniu języka naturalnego (NLP). Dowiadujemy się nie tylko jak skutecznie trenować sieci, ale także jak wykorzystać gotowe, potężne modele w praktycznych zastosowaniach.
- ZAGADNIENIA Z MODUŁU:
- ✔️ Sztuczne sieci neuronowe - mechanizm działania
- ✔️ Proces uczenia sieci neuronowych i jego strojenie
- ✔️ Perceptron wielowarstwowy - algorytm predykcyjny dla klasycznych problemów
- ✔️ Rozpoznawanie obrazów - konwolucyjne sieci neuronowe
- ✔️ Sztuczne rozszerzenie zbiorów uczących - augmentacja danych
- ✔️ Wykorzystanie gotowych potężnych sieci do pracy z obrazami - transfer learning
- ✔️ Klasyfikacja tekstów - przetwarzanie języka naturalnego (NLP) z rekurencyjnymi sieciami neuronowymi
- ✔️ Wektorowe reprezentacje słów - word embeddings
- ✔️ Sieci Transformer - najpotężniejsze sieci współczesnego NLP
- ✔️ Transfer learning w NLP - gotowe do użycia rozumiejące język sieci BERT
12. Sztuczna inteligencja - duże modele językowe (LLM)
- W dzisiejszych czasach zrozumienie mechanizmu działania i umiejętność wykorzystywania dużych modeli językowych jest w branży data science często niezbędną kompetencją. W tym module uczymy się m.in. jak efektywnie wykorzystać LLM-y w zadaniach analitycznych. Poruszamy również zagadnienie RAG (Retrieval-Augmented Generation) – innowacyjne podejście, które pozwala łączyć możliwości inteligentnego wyszukiwania informacji we własnych zasobach z generowaniem adekwatnych odpowiedzi.
- ZAGADNIENIA Z MODUŁU:
- ✔️ Wykorzystanie narzędzi AI do zwiększania wydajności pracy w branży data science
- ✔️ Modele językowe: zasada działania, możliwości i ograniczenia
- ✔️ Zastosowanie modeli językowych do wykonywania zadań analitycznych
- ✔️ Strukturyzacja odpowiedzi zwracanych przez modele
- ✔️ Implementacja RAG - nowy wymiar wydobywania informacji z danych
13. Modelowanie szeregów czasowych
- Prognozowanie przyszłości na podstawie danych historycznych to jedno z kluczowych wyzwań w analizie danych – od przewidywania popytu i sprzedaży, przez planowanie zapasów, po analizę trendów finansowych. Szeregi czasowe to specyficzny typ danych, który wymaga innego podejścia niż klasyczne modelowanie – z uwzględnieniem kolejności, sezonowości i zależności w czasie. W tym module uczymy, jak zrozumieć tę dynamikę i skutecznie wykorzystywać ją do tworzenia trafnych prognoz.
- ZAGADNIENIA Z MODUŁU:
- ✔️ Wstęp do problematyki modelowania szeregów czasowych, kluczowe aspekty
- ✔️ Fundamentalny model predykcyjny: ARIMA i jej warianty
- ✔️ Mechanizm generowania predykcji długoterminowych
- ✔️ Metodologia ewaluacji predykcji na danych czasowych
- ✔️ Wykorzystanie klasycznych algorytmów uczenia maszynowego do predykcji wartości szeregów
14. Biblioteka Spark
- Kiedy danych jest tak dużo, że klasyczne narzedzia do przetwarzania nie dają rady - wkracza Spark. Moduł ten pozwala uczestnikom poznać podstawy pracy z dużymi zbiorami danych oraz uczy, jak korzystać z możliwości Spark SQL i MLlib. To wprowadzenie do świata big data i rozproszonego przetwarzania, które często jest nieuniknionym elementem pracy w data science.
- ZAGADNIENIA Z MODUŁU:
- ✔️ Wstęp do problematyki big data - przetwarzanie gigantycznych zbiorów danych
- ✔️ Przetwarzanie danych w bibliotece Spark
- ✔️ SQL w bibliotece Spark
- ✔️ Uczenie maszynowe w bibliotece Spark
15. Projekt końcowy
- Na zakończenie kursu uczestnicy realizują samodzielny projekt, który pozwala wykorzystać w praktyce wszystkie zdobyte umiejętności. To szansa, by stworzyć coś własnego, interesującego i wartościowego do portfolio. Wiemy z doświadczenia, że ten projekt często staje się tematem rozmów rekrutacyjnych i pomaga wyróżnić się na rynku pracy.
- ZAGADNIENIA Z MODUŁU:
- ✔️ Samodzielna praca w domu
- ✔️ Dowolność w wyborze ciekawych tematów
- ✔️ Zestaw wytycznych do stworzenia wyróżniającego nas na rynku pracy
- ✔️ Ugruntowanie wiedzy z całego kursu
- ✔️ Możliwość konsultacji z mentorem i pogłębiania wiedzy
- ✔️ Dokładne sprawdzenie i feedback do projektu udzielany przez mentora
- ✔️ Możliwość uzyskania certyfikatu z wyróżnieniem za wyjątkowo dobry projekt
- ✔️ Ważny punkt do portfolio i często temat rozmów rekrutacyjnych
Nasza kadra
W przypadku intensywnych kursów zawodowych rola prowadzących jest kluczowa, aby uczestnicy kursów zrozumieli trudny materiał i przyswoili wiedzę w wyznaczonym czasie. Nasi eksperci to wybitni specjaliści w swoich dziedzinach, którzy posiadają nie tylko doświadczenie dydaktyczne, ale przede wszystkim lata doświadczeń projektowych.

Norbert Ryciak
Autor, Machine learning engineer
Data scientist, inżynier uczenia maszynowego. Ma doświadczenie w pracy przy wszystkich etapach projektów data science - od prac badawczych, poprzez prototypowanie, kończąc na wdrażaniu produktów opartych na uczeniu maszynowym. Realizował projekty takie jak przewidywanie efektywności kampanii marketingowych, klasyfikacja dokumentów, generowanie opisów produktów czy wykrywanie popularnych tematów poruszanych w sieci. Podejmuje wiele różnorodnych działań dydaktycznych w obszarze data science: prowadzi szkolenia, zajęcia na uczelniach, jest autorem kursów rozwojowych o tematyce data science, uczenia maszynowego i sztucznej inteligencji w firmie Sages. Absolwent studiów matematycznych na Politechnice Warszawskiej.
Poznaj nasze kursy tego autora:
AI & Data Science Analityka danych Analityka danych AI & Machine Learning Engineering Uczenie Maszynowe
Oliwia Wojtkowska
Data Engineer
Data Engineer Consultant w międzynarodowej firmie IT. Zajmuje się projektami z zakresu Data Science, Internet of Things oraz programowaniem mikroserwisów w Pythonie. Ukończyła studia z zakresu informatyki, broniąc pracę z zakresu Przetwarzania Języka Naturalnego. Realizowała projekty związane z machine learning m.in dla branż telekomunikacyjnej, FMCG, farmaceutycznej czy finansowej. Wielka fanka Pythona, który jest głównym językiem jej pracy.
Kursy, na których prowadzi zajęcia:
AI & Data Science
Waldemar Kołodziejczyk
Machine learning engineer
Profesjonalnie i akademicko związany z branżą inżynierską, tworzy rozwiązania oparte o wizję komputerową, szeregi czasowe i uczenie ze wzmocnieniem. Zajmuje się pełnym cyklem zagadnień, od dekompozycji problemu biznesowego, poprzez analizy i research aż po trenowanie i deployment modeli na produkcję. Jako trener prowadzi kursy z obszaru Data Science i Machine Learning w Sages. Wykładowca przedmiotu 'Uczenie Maszynowe w rozwiązaniach Big Data' na studiach podyplomowych 'Big Data' na Politechnice Warszawskiej.
Kursy, na których prowadzi zajęcia:
AI & Data Science
Patryk Palej
Python Developer, Data Scientist, IT Trainer
Od 2018 roku zajmuje się analizą danych, uczeniem maszynowym oraz programowaniem w Pythonie. W międzyczasie ukończył studia na kierunku Energetyka w trakcie których zajmował się matematycznym modelowaniem procesów transportu ciepła i masy. Szybko jednak przebranżowił się do IT i jako data scientist pracował przy projektach dla takich sektorów jak finanse, telekomunikacja czy media. Poza tym prowadzi szkolenia, warsztaty oraz zajęcia na bootcampie z zagadnień na pograniczu Pythona i data science. W wolnych chwilach podróżuje motocyklem i aktywnie spędza czas.
Kursy, na których prowadzi zajęcia:
AI & Data Science Analityka danych Web Development w Data Science
Michał Więtczak
Data scientist
Od 2014 roku zajmuje się analizą danych, uczeniem maszynowym oraz programowaniem w Pythonie. Szybko rozpoczął pracę IT i jako data scientist pracował przy projektach dla takich sektorów jak finanse, telekomunikacja, FMCG czy retail. Ma też kilkuletnie doświadczenie w prowadzeniu zespołów data science. Na co dzień pracuję w banku o globalnym zasięgu, gdzie rozwija zastosowania sztucznej inteligencji w tym sektorze w jednym z centrów R&D. Poza tym prowadzi szkolenia, warsztaty oraz zajęcia na bootcampie z zagadnień dotyczących głównie uczenia maszynowego, analizy tekstu i uczenia głębokiego.
Kursy, na których prowadzi zajęcia:
AI & Data Science
Bartosz Mikulski
Data Scientist
W pracy zawodowej zajmuje się budowaniem zautomatyzowanej platformy wdrażania modeli uczenia maszynowego na produkcji. Specjalizuje się w inżynierii danych z użyciem AWS. Od 2017 roku pisze bloga o inżynierii danych, uczeniu maszynowym i sztucznej inteligencji. Napisał jeden z rozdziałów książki '97 Things Every Data Engineer Should Know'. Występuje na konferencjach i meetupach w roli prelegenta gdzie dzieli się swoim doświadczeniem ze społecznością programistów. Prowadzi szkolenia komercyjne.
Kursy, na których prowadzi zajęcia:
AI & Data Science
Martyna Śpiewak
Data Scientist
Entuzjastka statystyki, machine learningu i analizy danych. Ukończyła z wyróżnieniem matematykę na Politechnice Warszawskiej o specjalności Statystyka Matematyczna i Analiza Danych. Pracuje jako starszy specjalista badawczo-technicznym w Ośrodku Przetwarzania Informacji - Państwowym Instytucie Badawczym, gdzie zajmuje się przetwarzaniem języka naturalnego w kontekście wykrywania plagiatów. Współtworzy Jednolity System Antyplagiatowy oraz System Ewaluacji Dorobku Naukowego. Pełni rolę trenera i opiekuna merytorycznego podczas bootcampów Data Science.
Kursy, na których prowadzi zajęcia:
AI & Data Science
Krzysztof Rudaś
Data Scientist
Doktor nauk matematycznych, obecnie pracujący w Instytucie Podstaw Informatyki PAN i na Wydziale Matematyki i Nauk Informacyjnych Politechniki Warszawskiej. W 2022 roku obronił doktorat na tym wydziale. Interesuje się statystyką matematyczną, data miningiem, metodami regresyjnymi i szeregami czasowymi. Specjalizuje się w zagadnieniu modelowania przyczynowego (uplift modeling). Jest współautorem kilku ważnych publikacji z tej dziedziny. Oprócz pracy naukowej prowadzi także zajęcia dydaktyczne z zakresu statystyki dla studentów Politechniki Warszawskiej.
Kursy, na których prowadzi zajęcia:
AI & Data ScienceMateusz Pabiś
ML / Python Engineer
Pierwsze problemy z komputerami rozwiązywałem już szkole podstawowej. Od 'zawsze' związany z komputerami zapędzając je do pracy. Moje zainteresowania na przestrzeni czasu wędrowały od systemów równoległych i rozproszonych płynnie przechodząc później w cyberbezpieczeństwo, gdzie wykrywałem ataki socjotechniczne, a kończąc dzisiaj na szeroko pojętym uczeniu maszynowym. Co robię na co dzień? Aktualnie pracuję jako specjalista ds. systemów przetwarzania i analizy danych, gdzie codziennie angażuję się w tworzenie nowoczesnych rozwiązań. W wolnych chwilach staram się zasiadać za sterami samolotu. Dlaczego lubię szkolić? Uwielbiam dzielić się wiedzą i doświadczeniem, ponieważ wierzę, że bycie mentorem przyczynia się nie tylko do rozwoju innych, ale także do własnego poszerzania horyzontów. Ponadto Albert Einstein podobno powiedział: 'Jeżeli nie potrafisz czegoś prosto wyjaśnić - to znaczy, że niewystarczająco to rozumiesz.' - uczenie innych jest świetnym sposobem, aby uporządkować swoją wiedzę.
Kursy, na których prowadzi zajęcia:
AI & Data Science
Michał Kardasz
Ekspert ds. rekrutacji w IT
Zawodowo rekrutacją zajmuje się od 2012 roku. Zarządzał procesami rekrutacyjnymi w dużych międzynarodowych firmach z sektorów BPO/SSC, farmaceutycznego, finansowego, IT. Obecnie jako Global Recruitment and Talent Manager w międzynarodowej firmie produktowej, odpowiada głównie za rekrutacje na stanowiska IT.
Kursy, na których prowadzi zajęcia:
AI & Data Science AI & Machine Learning EngineeringCo sądzą o kursie AI & Data Science jego absolwenci?
Aż 96,3% naszych absolwentów poleciłoby innym udział w kursie AI & Data Science wg. badania przeprowadzonego przez nas na wiosnę 2021 roku. Sprawdź co o nas myślą!
" Uczestniczyłem w Bootcampie Data Science w trybie dziennym. Szkolenie bardzo nastawione na praktykę. Kurs zapewnia ogromną dawkę wiedzy przekazywaną przez osoby zawodowo zajmujące się tematyką AI. Przygotowując się do bootcampu korzystałem z masy szkoleń online, ale dopiero zajęcia na żywo dały wartościowe efekty. W mojej ocenie najważniejszy jest projekt końcowy, ponieważ spina wszystkie tematy poruszane na zajęciach. Zrobienie go w sposób estetyczny, wykorzystując wiele technik uczenia maszynowego pozwala na późniejsze pochwalenie się nim podczas rozmów kwalifikacyjnych. Na pewno nie warto brać danych, które są już przerobione tysiące razy w sieci. Ponadto jeśli przychodzisz z innej branży to warto rozważyć skorzystanie z danych, które w jakiś sposób połączą twoje dotychczasowe doświadczenie/zainteresowania. "
Arkadiusz Kurpas
Absolwent kursu
" Piszę, żeby podziękować całej ekipie Kodołamacza organizującej mój kurs Data Science PRO (luty 2023). Po zakończeniu bootcampu i kilku miesiącach aplikowania o pracę (oraz ciągłym szlifowaniu nabytych i zdobywaniu nowych umiejętności, m.in. poprzez Stacja.IT), udało mi się zdobyć pracę na stanowisku Senior Data Scientist w Samsung, jak również propozycję pracy jako Senior ML Engineer, którą przyjąłem. Stworzyliście rzeczywiście fantastyczny kurs, który po pierwsze dał mi pewność, że chciałbym zajmować się uczeniem maszynowym, a po drugie utwierdził mnie, że posiadane umiejętności i doświadczenie (zawodowe, jak i rozwijane w ramach hobby) umożliwią mi rozwój w tej dziedzinie, a po trzecie przekazał niezbędną wiedzę dotyczącą narzędzi, bibliotek i algorytmów używanych na co dzień w pracy przy projektach. Chciałbym zatem, żeby Trenerzy kursu dowiedzieli się, że ich praca została dobrze wykonana! Pozdrawiam! "
Michał Dąbrowski
Absolwent kursu
" Bardzo się cieszę, że miałem możliwość uczestnictwa w kursie AI & Data Science w 2022. Nie przesadzę, jeśli przyznam, że kurs bardzo mocno wpłynął na moje życie zawodowe. Dzięki praktycznej wiedzy zdobytej na kursie, mogłem konkurować z profesjonalnymi data scientistami w globalnym konkursie EY Open Science Data Challenge 2023, w którym mój model w Pythonie uzyskał najlepszy wynik! Co więcej, od kilku miesięcy pracuję na stanowisku senior manager w zespole, który zajmuje się wdrażaniem AI w finansach w mojej formie. Dzięku kursowi bez problemu mogę aktywnie uczestniczyć w dyskusjach technicznych. Czuję dużą pewność siebie w takich rozmowach! Co do samego zakresu kursu, muszę przyznać, że pod względem merytorycznym i logistycznym był zorganizowany rewelacyjne. Oczywiście, wymagał sporo czasu i wysiłku z mojej strony, ale każda minuta spędzona na zajęciach była tego warta. Przede wszystkim zajęcia były bardzo praktyczne, wymagały kodowania na bieżąco. A całość świetnie dopinał projekt końcowy, w którym prawdziwy problem można było zrealizować z wykorzystaniem AI. Na bieżąco śledzę warsztaty na Stacji IT i uczestniczę w najbardziej interesujących mnie zajęciach. Zawsze jestem pod wrażeniem poziomu i przede wszystkim wartości praktycznej. Najbardziej podobał mi się warsztat pana Bartosza Mikulskiego o GPT4 - dosłownie po 4 godzinach ćwiczeń mogłem już pisać pierwsze PoC w mojej firmie. "
Maciej Wylężek
Absolwent kursu
Często zadawane pytania
Jak wygląda proces rekrutacji na bootcamp?
Zgłoszenie uczestnictwa odbywa się na podstawie formularza aplikacyjnego. Po przesłaniu zgłoszenia kandydat otrzymuje drogą mailową zaproszenie do procesu rekrutacji. Rekrutacja obejmuje zadania, sprawdzające podstawową znajomość programowania. Potwierdzenie terminu rozpoczęcia danego kursu następuje po zakończeniu całości procesu rekrutacyjnego na ten kurs.
Czy podana cena jest kwotą netto czy brutto?
W przypadku osób prywatnych podana cena to cena końcowa, w przypadku finansowania szkolenia przez firmy - jest to cena netto - doliczamy 23% VAT.
Jaki sprzęt powinni zapewnić sobie uczestnicy programu?
- Stabilne połączenie internetowe (zalecane min. 10Mbit/s download i 1Mbit/s upload.
- Przeglądarka internetowa Chrome lub Firefox (zalecane Chrome); na urządzeniach mobilnych niezbędna jest aplikacja Zoom.
- Dobrej jakości słuchawki oraz mikrofon oraz miejsce wolne od hałasu.(Opcjonalnie) kamera internetowa.
- (Opcjonalnie) duży monitor lub dwa urządzenia (np. tablet na którym oglądamy szkolenia i komputer na którym pracujemy) lub dwa ekrany; w przypadku użycia dwóch niezależnych urządzeń nie będzie możliwości pokazania zawartości swojego ekranu.
- Komputer z przynajmniej 16 Gb pamieci RAM.
Co obejmuje 50% zniżka na kursy e-learningowe Sages?
Promocja dotyczy kursów e-learningowych Sages z aktualnie dostępnej oferty na stronie https://platforma.sages.pl/. Zniżka ważna jest przez 1 rok od zakończenia kursu Data Science.
Czy na kursie nauczę się więcej, niż mogę sam z Internetu?
W obecnych czasach w Internecie da się znaleźć wszystko - i dotyczy to również tego czego uczymy na kursie. Natomiast nie istnieje jedno źródło (kurs online, zestaw materiałów, podręcznik dostępny online), które kondesowałoby tę wiedzę w jednym miejscu. Każde materiały dostępne w sieci pokrywają jedynie pewien wycinek całości i są one rozrzucone po bezkresie Internetu. Odnalezienie się w tym, oddzielenie treści przydatnych od tych zbędnych, wybranie materiałów dobrej jakości - to olbrzymie i bardzo trudne wyzwanie, wymagające poświęcenia ogromnej ilości czasu na jego realizację. Do tego dochodzą naturalne kwestie efektywności nauki samodzielnej - motywacja do samotnej pracy, wynajdywanie czasu pośród natłoku obowiązków życia codziennego, brak pomocy nauczyciela. Ponadto podczas nauki samodzielnej nigdy nie skorzystamy z osobistych doświadczeń specjalistów - nie dowiemy się co jest ważne w praktyce, na co trzeba zwracać uwagę i nie dowiemy się jak najefektywniej rozwiązywać praktyczne problemy. Wielu uczestników naszych kursów rozpoczynało naukę na własną rękę, ale ostatecznie z różnych względów decydowało się na udział i uznało to za opłacalną inwestycję.
Czy kurs jest dla mnie?
Jeśli masz wątpliwości lub potrzebujesz porady, nie wahaj się skontaktować z nami. Nasz zespół doradzi Ci i pomoże wybrać kurs, który najlepiej odpowiada Twoim potrzebom i celom. Dodatkowo, zachęcamy do skorzystania z naszego testu predyspozycji, który pomoże lepiej zrozumieć Twoje zainteresowania i umiejętności z zakresu Data Science. Test znajdziesz tutaj.
Jaka jest różnica między bootcampem a studiami?
Studia oferują zdobycie wiedzy ogólnej, bez ukierunkowania na konkretną specjalizację. Rozwijają kompetencje ogólne będące bazą do zdobycia umiejętności w trakcie pracy. Bootcamp to szkoła zawodu, nauka w kierunku zdobycia praktycznych umiejętności potrzebnych do jego wykonania. W ramach realizacji bootcampu tworzysz projekt, który później będzie stanowił Twoje konkurencyjne portolio.
Jak wyglądają zajęcia?
Zajęcia odbywają się godzinach 9-17. Są podzielona na cztery bloki - po dwa przed i po przerwie obiadowej, rozdzielone przerwą. Nie ma podziału na zajęcia wykładowe i ćwiczeniowe - zajęcia mają formę warsztatową i cały czas pracujemy przy swoich komputerach. Nie znaczy to, że w ogóle nie ma momentów, w których trener coś opowiada i pokazuje, a uczestnicy tylko słuchają. Nie ma tu miejsca na mechaniczne odhaczanie punktów “podstawy programowej” - celem zajęć jest dobre opanowanie materiału przez uczestników, a plan kursu jest skonstruowany tak, że na wszystko jest czas. Standardem są również kształcące dyskusje wywiązujące się z pytań uczestników. Jest to wyższa jakość edukacji w stosunku do tradycyjnych studiów.
Znam Pythona, czy mogę rozpocząć kurs od statystyki?
Bootcamp Data Science składa się z 32 zjazdów, w tym 10 zjazdów z Pythona. Jeżeli poznałeś Pythona na tyle dobrze, że masz te wszystkie zagadnienia opanowane, to oczywiście możesz rozpocząć kursu od 11 zjazdu - czyli od statystyki. Przed przystąpieniem do kursu będziesz mieć rozmowę z Trenerem, który sprawdzi Twoją znajomość języka Python, tak, abyś miał pewność, że jest ona wystarczająca. Napisz do nas w celu ustalenia warunków finansowych przy rozpoczęciu kursu od 11 zjazdu w wybranym przez siebie pakiecie.
Co obejmuje cena kursu?
Pełna zawartość usługi opisana jest szczegółowo w sekcji Cena. Organizatorzy nie zapewniają sprzętu, zakwaterowania oraz wyżywienia uczestnikom na czas trwania kursu.