Kurs PRO
AI & Machine Learning Engineering
Zaawansowany kurs dla osób z doświadczeniem w IT. Zdobądź nową wiedzę w przełomowej dziedzinie programowania. Przekwalifikuj się na stanowiska typu inżynier uczenia maszynowego lub inżynier sztucznej inteligencji i twórz rozwiązania oparte na AI!
Sprawdź, czy ten kurs jest dla Ciebie
Kurs będzie dla Ciebie dobrym wyborem jeśli:
Masz przynajmniej rok praktycznego doświadczenia w programowaniu w jakimkolwiek "klasycznym" języku (Python, C++, C#, Java, PHP, R).
Szukasz zaawansowanego kursu, który reprezentuje wysoki poziom nauczania.
Chcesz nauczyć się profesjonalnej implementacji systemów opartych na AI.
Zależy Ci na zdobyciu praktycznych umiejętności Inżyniera Uczenia Maszynowego/Inżyniera AI
Zdobądź kompetencje niezbędne do pracy przy komercyjnych projektach AI
Kurs przygotowuje do pracy na stanowiskach takich jak inżynier sztucznej inteligencji, inżynier uczenia maszynowego lub inżynier deep learningu. Umożliwia zdobycie wiedzy na temat działania algorytmów uczenia maszynowego, profesjonalnej implementacji systemów opartych na sztucznej inteligencji oraz wdrażaniu ich do rozwiązań produkcyjnych.
Będziesz profesjonalnie programować w Pythonie i zgodnie z najlepszymi praktykami programistycznymi.
Opanujesz technologie i narzędzia pozwalające na produkcyjne wdrażanie rozwiązań.
Nauczysz się budować wysokiej jakości systemy oparte na sztucznej inteligencji.
Nauczysz się stosować w praktyce algorytmy uczenia maszynowego i nowoczesne sieci neuronowe.
Zdobędziesz kompetencje w rozwijaniu projektów wykorzystujących uczenie maszynowe.
Poznasz zaawansowane metody inżynierskie i nauczysz się profesjonalnego wytwarzania kodu.
Jakie technologie i języki programowania poznasz podczas kursu?
Sprawdź aktualne terminy startu kursu
Raty 0% z kredytem Alior Bank.
Cena uzależniona od wybranego pakietu i przysługującej zniżki.
Kurs weekendowy realizowany w soboty i niedziele, co 2 tygodnie.
Zaaplikuj na kurs AI & Machine Learning Engineering
Liczba miejsc na każdą z edycji jest ograniczona. O udziale w kursie decyduje kolejność podpisanych umów, więc nie zwlekaj z decyzją.
Kurs e-learningowy Uczenie maszynowe dostępny w pakiecie znajdziesz tutaj.
Kurs AI & Machine Learning Engineering
tryb weekendowy
- 240 h na żywo z trenerem (on-line)
- 84h pracy własnej: Pre work + praca nad projektem końcowym
- 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. Zaawansowane aspekty języka Python
- ✔️ Wyrażenia listotwórcze
- ✔️ Generatory
- ✔️ Mechanizmy przekazywania argumentów do funkcji
- ✔️ Obsługa wyjątków
- ✔️ Dekoratory
- ✔️ Programowanie obiektowe
- ✔️ Moduły, środowiska wirtualne
2. Praca z danymi w Pythonie
- ✔️ Biblioteka numpy - tablice i obliczenia zwektoryzowane
- ✔️ Biblioteka pandas - przetwarzanie danych tabelarycznych
- ✔️ Biblioteka matplotlib - wizualizacja danych
3. Uczenie maszynowe: wprowadzenie
- ✔️ Podstawy uczenia maszynowego - trenowanie modeli, dokonywanie predykcji
- ✔️ Algorytmy: model regresji liniowej, metoda najbliższych sąsiadów
- ✔️ Metodologia optymalizacji i ewaluacji modeli regresyjnych
- ✔️ Poprawianie modelu poprzez transformacje danych
- ✔️ Problem przeuczenia modelu i mechanizm regularyzacji
- ✔️ Wprowadzenie do potoków uczenia maszynowego (machine learning pipelines)
4. Uczenie maszynowe: rozszerzenie
- ✔️ Problem klasyfikacji, mechanizmy ewaluacji klasyfikatorów, model regresji logistycznej
- ✔️ Algorytmy drzewiaste i komitety modeli: drzewo decyzyjne, las losowy, bagging
- ✔️ Czyszczenie danych i inżyniera cech (feature engineering)
- ✔️ Problem niezbalansowanych klas
- ✔️ Implementacja złożonych potoków uczenia maszynowego w scikit-learn
5. Programowanie obiektowe, wzorce projektowe i Testy jednostkowe w Python
- ✔️ Programowanie obiektowe: dziedziczenie, kompozycja, klasy mixin, dependency injection, klasy abstrakcyjne
- ✔️ Dobre praktyki, SOLID
- ✔️ Dataclasses, Enum
- ✔️ Wybrane wzorce projektowe
- ✔️ Type annotations
- ✔️ Testy jednostkowe - biblioteka pytest
- ✔️ Współbieżność oraz asynchroniczność
6. Linux, Git
- ✔️ Podstawy systemu Linux
- ✔️ Praca w terminalu: podstawowe komendy, praca na plikach, zmienne środowiskowe
- ✔️ Wprowadzenie do programowania w Bash
- ✔️ System kontroli wersji Git - komendy: commit, push, pull, tagowanie, stash, reset, restore, revert
- ✔️ Pliki Gita: .gitignore, .git, .gitkeep, .gitattributes
- ✔️ Git: praca na branchach (merge, rebase, cherry pick), dobre praktyki, code review
7. Implementacja systemów AI: komponenty i struktura
- ✔️ Produkcyjna implementacja komponentów systemów AI/ML w oparciu o paradygmat obiektowy
- ✔️ Budowa produkcyjnych potoków ML'owych
- ✔️ Zarządzanie strukturą projektu
- ✔️ Budowa środowiska projektu
- ✔️ Praca z plikami konfiguracyjnymi
8. Implementacja systemów AI: optymalizacja, wersjonowanie
- ✔️ Zarządzanie eksperymentami ML'owymi
- ✔️ Dokumentowanie eksperymentów z MLflow
- ✔️ Reprodukowalność w eksperymentach
- ✔️ Wersjonowanie danych i modeli
- ✔️ Bayesowska optymalizacja hiperparametrów
9. Deep learning: wprowadzenie
- ✔️ Wprowadzenie do biblioteki PyTorch
- ✔️ Metoda spadku gradientu, proces uczenia sieci neuronowych
- ✔️ Perceptron wielowarstwowy
- ✔️ Przetwarzanie obrazow przy użyciu konwolucyjnych sieci neuronowych
- ✔️ Word embeddings
- ✔️ Przetwarzania języka naturalnego przy użyciu rekurencyjnych sieci neuronowych
10. Deep learning: NLP
- ✔️ Wprowadzenie do dziedziny NLP - systematyzacja zagadnień
- ✔️ Złożone struktury sieci rekurencyjnych: wielowarstwowość, dwukierunkowość
- ✔️ Sieci generujące tekst, modele językowe, struktury encoder-decoder
- ✔️ Architektura transformer - state of the art współczesnego NLP
- ✔️ Transfer learning, model BERT, biblioteka HuggingFace
- ✔️ Duże modele językowe (Large Language Models - LLM)
11. Deep learning: computer vision
- ✔️ Transfer learning w analizie obrazów
- ✔️ Techniki rozszerzania zbioru danych uczących - augmentacja obrazów
- ✔️ Wykrywanie obieków na obrazach
- ✔️ Praktyczne wykorzystanie zasobów open source
12. Deployment rozwiązań AI: REST API
- ✔️ Podstawy ruchu sieciowego i protokół HTTP
- ✔️ Implementacja REST API w FastAPI
- ✔️ Testy jednostkowe i integracyjne
- ✔️ Middleware
- ✔️ Logowanie zdarzeń
- ✔️ Background Tasks
- ✔️ Cache'owanie
- ✔️ Asynchroniczność
- ✔️ Dobre praktyki w projektowaniu REST API
13. Deployment rozwiązań AI: Docker
- ✔️ Podstawy kontenerów - cechy, zalety, wady
- ✔️ Docker - budowa i operacje na kontenerach
- ✔️ Docker-compose - budowa wielu kontenerów
- ✔️ Warstwy i optymalizacja czasu budowy
- ✔️ Multi-stage building
- ✔️ Dobre praktyki w budowie obrazów
14. Deployment rozwiązań AI: Kubernetes
- ✔️ Kubernetes - cechy, zalety, wady
- ✔️ Komponenty w Kubernetes i ich implementacja - Pod, Deployment, Service, Ingress
- ✔️ Autoskalowanie serwisów opartych o ML
- ✔️ Testy obciążeniowe
- ✔️ Dobre praktyki we wdrażaniu rozwiązań MLowych na Kubernetes
15. Deployment rozwiązań AI: CICD
- ✔️ Definiowanie Continuous Integration - lintowanie, skanowanie, testy jednostkowe, integracyjne
- ✔️ Definiowanie Continuous Deployment - budowa obrazu, wdrożenie na produkcje
- ✔️ Zarządzanie środowiskami dev/prod
- ✔️ Dobre praktyki we wdrażaniu potoków CICD dla modeli uczenia maszynowego
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 & Machine Learning Engineering Analityka danych AI & Data Science Uczenie maszynoweMarcin Rybiński
Autor kursu, Machine Learning Engineer w Brainly
Zajmuje się rozwijaniem, wdrażaniem, monitorowaniem i utrzymywaniem algorytmów uczenia maszynowego do różnych zastosowań w branży edutech. Specjalizuje i rozwija się w zagadnieniach MLOps, związanych z wdrażaniem oraz utrzymywaniem rozwiązań opartych o sztuczną inteligencję.
Poznaj nasze kursy tego autora:
AI & Machine Learning EngineeringMichał Gałka
Trener, Machine learning engineer
Michał jest inżynierem oprogramowania z 15-letnim doświadczeniem w pracy z Pythonem. Jego zainteresowania sięgają również systemów wbudowanych. Łączy swoje zamiłowanie do Pythona i technologii embedded, spędzając czas na pracy z układami obsługiwanymi przez MicroPython oraz jednopłytkowymi komputerami typu Raspberry Pi i podobnymi. Posiada doświadczenie w pracy w międzynarodowych zespołach, zarówno w Polsce, jak i poza nią. Aktualnie pracuje nad infrastrukturą testową dla jednego ze startupów z branży automotive. Wcześniej związany z KernelCI - rozproszoną platformą do automatyzacji testów jądra Linux.
Kursy, na których prowadzi zajęcia:
AI & Machine Learning EngineeringWaldemar Kołodziejczyk
Trener, 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 & Machine Learning Engineering AI & Data ScienceBartosz Mikulski
Trener, Inżynier danych, MLOps engineer
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 & Machine Learning Engineering AI & Data ScienceCo sądzą o kursie AI & Machine Learning Engineering nasi kursanci?
" Podjęcie kursu AI & Machine Learning Engineering było jedną z moich lepszych decyzji edukacyjnych obok ukończenia bootcampu AI & Data Science. Jak do tej pory zajęcia w pełni spełniają moje oczekiwania. Widać, że treść i struktura kursu zostały starannie i przemyślanie dobrane, aby wprowadzić stopniowo koncepcje i technologie związane ze sztuczną inteligencją i uczeniem maszynowym. Trenerzy wykazują się nie tylko wysokimi kompetencjami i umiejętnościami z dziedziny AI, ale także humorem i pozytywnym nastawieniem do uczestników. Widać, że są zaangażowani i znają się na temacie 😊. Podoba mi się ilość praktycznych ćwiczeń podczas zajęć, dostęp do materiałów pomocniczych, a szczególnie to, że dostaliśmy gratis kurs Machine Learning. Z czystym sumieniem mogę polecić ten kurs wszystkim, których interesują zagadnienia AI. "
Przemysław Wyszkowski
Uczestnik kursu
" Jedna z zasad inwestowania mówi, że inwestycja w edukację jest zazwyczaj jedną z najlepszych. Dokładnie tak jest z kursem AI & Machine Learning Engineering od Sages. Jest to bardzo solidna piguła wiedzy, czasami trudna do przełknięcia, bo kurs jest niezwykle intensywny. Jednak nikt nie obiecywał gruszek na wierzbie, bynajmniej - miało być dużo wiedzy teoretycznej, jeszcze więcej praktyki i tak właśnie jest. Podstawy Pythona, algorytmy ML, sieci neuronowe, LLM, czyli wszystkie gorące tematy są tu poruszone. Kadra jest znakomita. Od pierwszej chwili z każdym trenerem nie ma cienia wątpliwości, że jest specjalistą w swojej dziedzinie. Nie unikają odpowiedzi na żadne pytania, a jeśli nie jej zna, to się dowie czym prędzej. Trener potrafił mnie zaskoczyć nową ciekawostką w tematach, które wydawało mi się, że znam bardzo dobrze. Z kolei w tematach dla mnie nowych zawsze spotkałem się z odpowiedzią na każde pytanie (nie ma pytań głupich!). Nie da się ukryć, że cena kursu może odstraszać, ale co dostajemy w zamian? Uporządkowane materiały i ścisły harmonogram to oczywiste. Natomiast najcenniejsze jest doświadczenie żywych ludzi: autorów kursu, którzy przygotowali odpowiednie tematy, zgodnie z trendami, trenerów z ich nieocenioną praktyczną wiedzą i dostępnością, ale też współkursantów – każdy z nas wnosi nieco inne doświadczenie ze swojej pracy zawodowej. Tego nie da byle kurs na promocji z platformy na literę U. Czy polecam ten kurs każdemu? Nie. Polecam go ludziom, którzy interesują się AI, mają za sobą pierwszą styczność z tematem i chcą zrobić duży krok naprzód. Ja jestem zadowolony z tej inwestycji :) "
Igor Sulim
Uczestnik 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.
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.
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.
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.
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.
Czy jako absolwent bootcampu Data Science mogę wziać udział w kursie Inżynier AI & ML?
Oczywiście i nawet na specjalnych warunkach. Jeśli uczesniczyłeś w naszym bootcampie Data Science to powinieneś mieć juz opanowany zakres z modułów 3, 4 i 5 dlatego pomniejszymy Tobie cenę kursu o 6 dni. Jeśli chcesz mozesz uczestniczyć we wszystkich zajęciach, ale wskazane będę stanowiły dla Ciebie częściowe powtórzenie. O dokładną wycenę dopytaj Opiekuna kursu.
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.
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.