To wersja testowa nowego serwisu infoShare Academy — wyświetlane treści i oferta nie są wiążące ani kompletne

Kurs na żywo z trenerem Promocja Program zaktualizowany 2026

Kurs Data Science + AI

Od danych do decyzji biznesowych — z AI w roli głównej.

Czas trwania
80 h
Tryb
weekendowy
Najbliższy start
12 września 2026
do 20 grudnia 2026
Dla kogo jest ten kurs

Sprawdź, czy to kurs dla Ciebie.

Osoby z analitycznym zacięciem, które rozwijają kompetencje w stronę Data Science i ML.

Wymagania wstępne

Czego potrzebujesz na start.

01

Sprawna obsługa komputera i swobodne poruszanie się w cyfrowym środowisku

02

Zdolność analitycznego i logicznego myślenia przy pracy z danymi liczbowymi

03

Angielski na poziomie min. B2 (praca z oprogramowaniem i dokumentacją)

Co potrafisz po kursie

Umiejętności, które od razu wykorzystasz w pracy.

Analizujesz duże zbiory danych i tworzysz dashboardy

Trenujesz modele ML i interpretujesz wyniki

Pracujesz z Pythonem, SQL i bibliotekami ML

Wykorzystujesz LLM i MLOps w projektach analitycznych

Program kursu · 20 modułów

Od fundamentów do realnych projektów

80 h pracy z trenerem + zadania domowe i projekt.

Program zaktualizowany 2026
Łącznie
Modułów:20 Godzin zajęć:80 h Tryb:online · weekendowy
Pobierz program w PDF
M01 Start pracy z AI-powered Data Science
+
  • · omówienie workflow Data Science: dane, model, ewaluacja, wdrożenie, monitoring i decyzje biznesowe
  • · wprowadzenie do pracy w VS Code, notebookach Jupyter i repozytorium kursowym
  • · zasady wykorzystywania AI jako wsparcia w kodowaniu, analizie, debugowaniu i dokumentacji
  • · omówienie ryzyk pracy z AI: halucynacje, dane poufne, brak weryfikacji i błędne sugestie
  • · pierwszy prosty przykład pracy z danymi i modelem Machine Learning
  • · przygotowanie do pracy w formule ML-first, gdzie podstawy techniczne poznajesz w kontekście konkretnych zadań
M02 Pozyskiwanie danych do modeli ML: pliki, API i web scraping
+
  • · praca z plikami CSV i Excel jako podstawowymi źródłami danych
  • · pobieranie danych z prostego API i zapisanie ich do struktury tabelarycznej
  • · podstawy web scrapingu jako uzupełniającego sposobu pozyskiwania danych
  • · ocena jakości, kompletności i przydatności danych do modelowania
  • · użycie AI do zrozumienia struktury danych i wygenerowania pierwszych fragmentów kodu
  • · omówienie ograniczeń prawnych, technicznych i jakościowych przy pozyskiwaniu danych
M03 AI-powered workflow ML end-to-end
+
  • · przełożenie prostego problemu biznesowego na problem Machine Learning
  • · wybór zmiennej targetowej i podstawowych cech modelu
  • · przygotowanie danych do pierwszego eksperymentu ML
  • · trenowanie modelu, wykonanie predykcji i podstawową ocenę jakości
  • · użycie AI do wyjaśniania kodu, debugowania i interpretacji wyników
  • · przygotowanie krótkiego opisu modelu, jego ograniczeń i potencjalnego zastosowania
M04 SQL pod przygotowanie datasetu ML
+
  • · podstawy SQL: SELECT, WHERE, JOIN, GROUP BY i agregacje
  • · tworzenie datasetu z kilku tabel
  • · budowanie cech modelu na podstawie agregacji, np. liczby transakcji lub średniej wartości zamówienia
  • · rozpoznawanie błędów w zapytaniach, takich jak duplikaty, złe joiny i niepoprawne agregacje
  • · omówienie ryzyka data leakage przy tworzeniu datasetu z danych historycznych
  • · użycie AI do tłumaczenia, poprawiania i weryfikowania zapytań SQL
M05 Data Cleaning pod modele Machine Learning
+
  • · identyfikacja braków danych, duplikatów, błędnych typów i niespójnych wartości
  • · obsługa wartości odstających oraz ocenę ich wpływu na model
  • · porządkowanie kategorii, dat, wartości liczbowych i danych tekstowych
  • · dokumentowanie decyzji cleaningowych i ich konsekwencji dla modelowania
  • · wykorzystanie AI do proponowania reguł czyszczenia danych
  • · krytyczna weryfikacja sugestii AI, aby nie usuwać informacji istotnych dla modelu
M06 EDA pod tworzenie modelu
+
  • · analiza targetu i rozkładu zmiennej przewidywanej
  • · badanie zależności między cechami a targetem
  • · praca z korelacjami, rozkładami, segmentami i podstawowymi wizualizacjami
  • · rozpoznawanie sygnałów, które mogą poprawić model lub wprowadzić go w błąd
  • · identyfikacja potencjalnego data leakage już na etapie eksploracji danych
  • · użycie AI do generowania pytań analitycznych i interpretowania wyników EDA
M07 Feature Engineering z AI
+
  • · tworzenie cech liczbowych, kategorycznych, tekstowych i czasowych
  • · encoding, scaling i podstawowe transformacje danych
  • · tworzenie cech z agregacji historycznych i zachowań użytkowników
  • · ocena przydatności cech w kontekście konkretnego problemu ML
  • · wykorzystanie AI do generowania propozycji nowych cech
  • · wykrywanie cech ryzykownych, nadmiarowych lub powodujących data leakage
M08 Statystyka praktyczna dla Machine Learning
+
  • · średnia, mediana, wariancja, odchylenie standardowe i podstawowe rozkłady
  • · interpretacja korelacji i omówienie jej ograniczeń
  • · intuicyjne wprowadzenie do testowania hipotez i istotności statystycznej
  • · wykorzystanie statystyki do oceny danych, cech i wyników modelu
  • · przykłady błędnych interpretacji wyników statystycznych
  • · użycie AI do tłumaczenia pojęć statystycznych prostym językiem
M09 Regresja i klasyfikacja jako modele bazowe
+
  • · różnica między regresją a klasyfikacją
  • · regresja liniowa jako model bazowy dla predykcji wartości liczbowych
  • · regresja logistyczna jako model bazowy dla problemów klasyfikacyjnych
  • · podstawowe metryki regresji i klasyfikacji
  • · interpretacja błędów modelu i ograniczeń modeli bazowych
  • · użycie AI do wyjaśniania różnic między typami problemów i wynikami modeli
M10 Klasteryzacja i segmentacja danych
+
  • · wprowadzenie do uczenia nienadzorowanego
  • · K-means jako podstawowy algorytm klasteryzacji
  • · przygotowanie danych do segmentacji, w tym scaling i dobór cech
  • · ocena jakości klastrów i interpretację ich sensu biznesowego
  • · przykłady segmentacji klientów, produktów lub zachowań
  • · użycie AI do opisu segmentów i nadawania im interpretowalnych nazw
M11 Drzewa decyzyjne i Random Forest
+
  • · intuicja działania drzewa decyzyjnego
  • · omówienie podziałów, głębokości drzewa i kryteriów decyzyjnych
  • · overfitting w modelach drzewiastych i sposoby jego ograniczania
  • · Random Forest jako model zespołowy
  • · porównanie modeli liniowych, drzew i lasów losowych
  • · użycie AI do interpretacji decyzji modelu i analizy błędów
M12 Gradient Boosting i XGBoost w praktyce
+
  • · intuicja działania boostingu i uczenia kolejnych modeli na błędach poprzednich
  • · Gradient Boosting jako podejście do budowania silniejszych modeli
  • · praktyczne użycie XGBoost na danych tabelarycznych
  • · porównanie XGBoost z Random Forest i modelami bazowymi
  • · podstawowe parametry wpływające na jakość i stabilność modelu
  • · użycie AI do planowania eksperymentów i interpretowania różnic między modelami
M13 Sieci neuronowe: intuicja, gradient i pierwszy model
+
  • · wyjaśnienie pojęć: neuron, warstwy, wagi i funkcje aktywacyjne
  • · funkcja straty i proces minimalizacji błędu
  • · wyjaśnienie gradientu i propagacji wstecznej na poziomie koncepcyjnym
  • · budowa prostego modelu sieci neuronowej na danych tabelarycznych
  • · omówienie znaczenia skalowania danych i doboru parametrów
  • · połączenie podstaw sieci neuronowych ze współczesnymi modelami GenAI
M14 Walidacja i porównywanie modeli ML
+
  • · porównywanie różnych modeli na tych samych danych
  • · cross-validation i ocenę stabilności wyników
  • · train/test split, validation split i typowe błędy podziału danych
  • · identyfikacja data leakage i zbyt optymistycznych wyników
  • · ocena modeli nadzorowanych i nienadzorowanych w odpowiednim kontekście
  • · użycie AI jako reviewera procesu walidacji i interpretacji wyników
M15 Optymalizacja modeli, AutoML i wybór najlepszego podejścia
+
  • · overfitting, underfitting i kontrolę złożoności modelu
  • · dobór hiperparametrów z użyciem GridSearch i RandomizedSearch
  • · optymalizacja modeli klasycznych, boostingowych i klasteryzacyjnych
  • · AutoML jako wsparcie eksperymentowania i benchmarkowania
  • · porównanie modelu prostego, zaawansowanego, AutoML i segmentacji
  • · użycie AI do planowania eksperymentów i analizy wyników optymalizacji
M16 Explainable AI i ryzyka modeli
+
  • · feature importance i interpretację wpływu cech na wynik modelu
  • · praktyczne użycie metod Explainable AI, takich jak SHAP lub permutation importance
  • · identyfikacja biasu, ograniczeń danych i ryzyk błędnych decyzji
  • · omówienie fairness i odpowiedzialnego wykorzystania modeli
  • · przygotowanie model card jako dokumentacji działania i ograniczeń modelu
  • · użycie AI do opisu ryzyk, ograniczeń i wniosków z interpretacji modelu
M17 Time Series w praktyce
+
  • · różnice między danymi czasowymi a klasycznymi danymi tabelarycznymi
  • · trend, sezonowość, zmienność i podstawowe wzorce w czasie
  • · przygotowanie danych do prostej prognozy
  • · walidacja czasowa zamiast losowego podziału train/test
  • · przykład prognozy sprzedaży, popytu, ruchu lub aktywności
  • · użycie AI do interpretacji trendów, anomalii i ryzyk prognozowania
M18 LLM, RAG i Hugging Face w pracy Data Scientisty
+
  • · rola LLM w kodowaniu, analizie, dokumentacji i interpretacji wyników
  • · praca z LLM przez interfejs chatowy i API
  • · podstawy RAG: retrieval, embeddingi, wyszukiwanie semantyczne i odpowiedzi na podstawie źródeł
  • · wykorzystanie Hugging Face jako źródła modeli, datasetów i narzędzi
  • · omówienie ograniczeń GenAI: halucynacje, prompt injection, prywatność i jakość źródeł
  • · praktyczne przykłady wykorzystania LLM i RAG w pracy z danymi i dokumentacją modeli
M19 Deployment modelu ML jako API
+
  • · zapis i ponowne wykorzystanie wytrenowanego modelu
  • · przygotowanie prostego pipeline’u predykcyjnego
  • · refaktoryzacja kodu z notebooka do plików Python
  • · budowa prostego API do predykcji z użyciem FastAPI
  • · walidacja danych wejściowych i testowanie endpointu
  • · użycie AI do porządkowania kodu, debugowania API i tworzenia dokumentacji technicznej
M20 Monitoring, MLOps basics i decyzje biznesowe
+
  • · podstawy MLOps: eksperymenty, wersje, metryki i artefakty
  • · wykorzystanie MLflow do śledzenia eksperymentów i wyników modeli
  • · data drift, model drift i spadek jakości predykcji
  • · checklista monitoringu modelu po wdrożeniu
  • · przygotowanie rekomendacji biznesowej na podstawie wyników modelu
  • · omówienie, jak komunikować ograniczenia, ryzyka i wartość modelu interesariuszom
Narzędzia

Technologie i narzędzia, które opanujesz.

Pracujemy na tym samym stacku, którego używają zespoły w produkcji — po kursie znasz go z praktyki.

VS Code
Jupyter
Anaconda
Git
GitHub
Python
Pandas
NumPy
Matplotlib
Seaborn
Plotly
scikit-learn
SQL
XGBoost
Twoi mentorzy

Poznaj trenerów tego kursu.

Poznaj część trenerów prowadzących zajęcia w infoShare Academy. Skład prowadzących tej edycji potwierdzamy przed startem — może się różnić od prezentowanego.

Piotr Chudzik in

Piotr Chudzik

Z IT jest związany już prawie 10 lat. Pracował w różnych sektorach związanych z danymi: od administratora baz danych, poprzez DataOps, a skończywszy na Data Engineer. Zajmuje się również planowaniem i zarządzaniem zespołów (aktualnie pracuje jako Technical Lead w firmie Kantar).

Tomasz Mariański in

Tomasz Mariański

Software Engineer

Inżynier oprogramowania pracujący jako Full-stack developer. Na co dzień projektuje oraz wdraża rozwiązania w aplikacjach cloud-native z użyciem języków Python oraz TypeScript.

Damian Filipkowski in

Damian Filipkowski

Niegdyś marynarz, uwiedziony przez trzy urocze syrenki, żonę i dwie córki, postanowił pozostać na stałym lądzie i żeglować między linijkami kodu. Zakochany w Pythonie od pierwszego wejrzenia, wydaje się, że z wzajemnością.

Wiktor Filipiuk in

Wiktor Filipiuk

Machine Learning Engineer

Rozpoczął przygodę z Data Science w 2014 r. Od tamtej pory zajmował się tworzeniem i wdrażaniem modeli uczenia maszynowego w obszarach finansów, enegetyki, robotyki oraz medycyny. Njwiększą przyjemność sprawia mu przekazywanie wiedzy i wspólne odkrywanie tajników programowania w języku Python.

Michał Jerzy Wierzbicki in

Michał Jerzy Wierzbicki

Senior Backend & DevOps Engineer

Od ponad dekady w branży jako programista, od pięciu jako DevOps. Specjalizuje się w optymalizacji deploymentów konteneryzowanych zgodnych z OCI ("docker"), automatyzacji tworzenia i tworzeniu automatyzacji dla środowisk developerskich, testowych i produkcyjnych, oraz w ogólnym ułatwianiu życia…

Patryk Klimowicz in

Patryk Klimowicz

Senior DevOps Engineer

Do świata IT wpadł na chwilę, aby chwilę później zostać na dłużej i urządzić się w nim na dobre. Woli uczyć się z sukcesów innych niż własnych porażek.

Mateusz Sobociński in

Mateusz Sobociński

DevOps, SysOps

Związany z IT od ponad 10ciu lat. Rozwijał swoje umiejętności jako administrator dużych centrów danych, zarządzając systemami Linux oraz Windows. W późniejszym etapie dołączył do zespołów deweloperskich jako DevOps aby wspierać rozwój automatyzacji procesów CI/CD oraz wdrażania architektury…

Sebastian Świtek

Sebastian Świtek

Head of UX Design Department

Od ponad 18 lat zajmuje się projektowaniem łącząc biznes, design i technologię. Kładzie duży nacisk na rozwój kompetencji miękkich w branży IT, zdając sobie sprawę z ich kluczowej roli w tworzeniu aplikacji w multidyscyplinarnych zespołach.

Opinie absolwentów

Co mówią nasi kursanci.

Ariel Korczyk
Ariel Korczyk
★★★★★
2026-05-24

„Bardzo intensywny kurs data science, ogrom wiedzy. Wymaga dużo zaangażowania i wyrzeczeń, ale warto . Polecam ;)"

Bartek Ostrowski
Bartek Ostrowski
★★★★★
2026-03-15

„​Szczerze polecam ten bootcamp każdemu, kto szuka rzetelnego przygotowania do pracy w danych. Program kursu jest bardzo rozbudowany, a poruszane zagadnienia zostały wytłumaczone w sposób klarowny i wyczerpujący. ​To, co wyróżnia ten kurs, to przede wszystkim prowadzący. To eksperci z ogromnym doświadczeniem i pasją, którą czuć na każdym kroku. Ogromnym atutem było dzielenie się konkretnymi case studies z ich codziennej pracy. Dzięki temu dowiedzieliśmy się, jak teoria przekłada się na realne wyzwania w biznesie. ​Warto zaznaczyć, że bootcamp wymaga dużego zaangażowania – intensywność jest spora, ale przekłada się to na efekty. Mimo że znałem już wcześniej podstawy Pythona i SQL-a, kurs dostarczył mi mnóstwo nowej wiedzy i całkowicie zmienił moją perspektywę na analizę danych. Zdecydowanie polecam!"

Elzbieta Chrusciel
Elzbieta Chrusciel
★★★★★
2025-03-25

„Gorąco polecam bootcamp Data Science w InfoShare Academy. To solidne i dobrze przemyślane przygotowanie do zmiany ścieżki zawodowej – intensywna dawka wiedzy przekazana w sposób uporządkowany i praktyczny. Program jest bardzo dobrze skonstruowany, a prowadzący to prawdziwi profesjonaliści – zawsze pomocni i otwarci. Szczególne podziękowania należą się naszemu mentorowi, Mateuszowi Majowi, który nie tylko świetnie prowadził zajęcia, ale też wspierał nas na każdym kroku, również poza zajęciami. Projekty realizowane w trakcie kursu pozwoliły na praktyczne zastosowanie zdobytej wiedzy, co było ogromnym atutem. Dzięki dodatkowym materiałom HR w ramach ścieżki IT Navigator mogłam dopracować swoje CV i profil na LinkedIn a także poznać wartościowe strony internetowe i wydarzenia branżowe. Wsparcie Agnieszki Marusiak (HR Project Manager) okazało się nieocenione – zawsze można było liczyć na jej pomoc i cenne wskazówki. A co najcenniejsze, to właśnie dzięki jej rekomendacji otrzymałam swoją pierwszą ofertę jako Junior Data Scientist! Już za niecały miesiąc zaczynam nową pracę :) Z pełnym przekonaniem polecam ten bootcamp każdemu, kto chce wkroczyć w świat Data Science."

Jedrzej Sz
Jedrzej Sz
★★★★★
2025-07-10

„Jestem bardzo zadowolony z kursu DevOps w infoShareAcademy i na pewno będę go polecał Koleżankom i Kolegom w branży. Zaoferowano mi dobrze przemyślany, świetnie zaplanowany, praktyczny, oparty w realiach i kompleksowy kurs techniczny. Poziom kompetencji technicznych oraz zaangażowanie wszystkich Wykładowców był niezwykle wysoki - dziękuję infoShareAcademy za zapewnienie mi dostępu do ekspertów takiego kalibru, którzy ewidentnie włożyli niezwykle dużo pracy w przygotowanie swoich zajęć. Na szczególną pochwałę zasługują w tym miejscu zajęcia p. Macieja Małka. Dziękuję!"

Grzegorz Gomza
Grzegorz Gomza
★★★★★

„InfoShare Academy to wyjątkowe miejsce dla osób pragnących rozwijać swoje umiejętności w branży IT! Kursy są profesjonalnie przygotowane, a trenerzy to eksperci z ogromnym doświadczeniem i pasją do nauczania. Materiały dydaktyczne są aktualne i doskonale zorganizowane, co sprawia, że nauka jest efektywna i przyjemna. Szczególnie doceniam praktyczne podejście do nauczania, które umożliwia zdobycie realnych umiejętności potrzebnych na rynku pracy. Atmosfera w akademii jest przyjazna i motywująca. Polecam InfoShare Academy każdemu, kto chce zainwestować w swoją przyszłość i zdobyć solidną wiedzę w IT."

Michał Połom
Michał Połom
★★★★★

„Kurs Power BI z Krzysztofem Furgą to było coś wartościowego. Spokojnie mogę polecić każdemu współpracę z tym wykładowcą. 45 godzin wykładów, a wiedzy jak za semestr."

Sposoby finansowania

Sposoby, by sfinansować kurs.

Najpopularniejsze

Raty 0%

Raty bez dodatkowych kosztów. Płacisz w trakcie kursu i po nim.

Raty 0%
Dofinansowanie

BUR / KFS / PFR

Dofinansowania ze środków UE i Funduszu Pracy. Podpowiemy, gdzie szukać naboru i jakich danych o kursie potrzebujesz do wniosku.

Do 95% pokrycia
One-time

Płatność z góry

Płatność jednorazowa za cały kurs — bez umów ratalnych i formalności.

6500 zł

Sprawdź szczegóły dofinansowań (BUR, KFS, PUP), kalkulator rat i listę dokumentów na osobnej stronie.

Poznaj finansowanie →
Finansowanie od pracodawcy

Zdobądź finansowanie kursu od pracodawcy.

Nauka nowych technologii wymaga czasu i zaangażowania. Pamiętaj jednak, że koszty szkolenia może pokryć Twoja firma w ramach budżetu rozwojowego. To sytuacja, w której zyskują obie strony.

Ty zdobywasz twarde kompetencje, a pracodawca zyskuje eksperta, który po kursie:

  • Pracuje na produkcyjnym stacku (VS Code, Jupyter, Anaconda, Git) — z projektów, nie z teorii.
  • Ma za sobą 80 godzin zajęć na żywo z trenerem praktykiem.
  • Po zaliczeniu kursu wraca z certyfikatem oraz dostępem do materiałów i nagrań z zajęć.
Ulotka dla przełożonego
PDF · 1 strona · Kurs Data Science + AI
Pobierz ulotkę

Rozmowa o budżecie bywa wyzwaniem, dlatego przygotowaliśmy gotowe rozwiązanie. Pobierz ulotkę i pokaż przełożonemu konkretne argumenty za Twoim rozwojem.

Zapis

Najbliższe terminy

12 września 2026 – 20 grudnia 2026
weekendowy
6500 zł Zapisz się
Masz pytania?

Zapytaj
o kurs.

Zostaw kontakt i napisz, o co chcesz zapytać. Doradca odezwie się w ciągu 24h — bez zobowiązań.

Agnieszka Frąckiewicz
Agnieszka Frąckiewicz
Customer Success Coordinator

Zadaj pytanie — odpowiemy w 24h

Pola oznaczone gwiazdką są wymagane.

Co robimy z Twoimi danymi

Podane dane będą przetwarzane w celu obsługi formularza, udzielenia odpowiedzi na zapytanie oraz podjęcia działań przed zawarciem umowy.

Zgody marketingowe (dobrowolne)

Administratorem danych osobowych jest infoShare Academy sp. z o.o. Zasady przetwarzania danych osobowych znajdują się w dokumentach Polityka Prywatności oraz Klauzula Informacyjna.

FAQ

Najczęstsze pytania

W jakich godzinach odbywają się zajęcia?

+

Zajęcia zależnie od edycji odbywają się w soboty i niedziele w godz. 8:00 – 12:00 lub 15:00 – 19:00.

Czy muszę znać Pythona lub SQL przed kursem?

+

Nie wymagamy wcześniejszej znajomości Pythona ani SQL, ale kurs zakłada gotowość do pracy z kodem. Podstawy składni będą wprowadzane praktycznie, w kontekście zadań Data Science i Machine Learning, a narzędzia AI będą pomagały w wyjaśnianiu kodu, debugowaniu i utrwalaniu materiału.

Czy to jest kurs od podstaw?

+

To kurs dla osób, które chcą rozwijać się w Data Science i Machine Learning, ale nie jest klasycznym kursem programowania od podstaw. Startujemy od podstaw potrzebnych do pracy z danymi, jednak szybko przechodzimy do praktycznych problemów ML.

Czym ten kurs różni się od klasycznego kursu Data Science?

+

Kurs jest bardziej skoncentrowany na praktycznym workflow: pozyskanie danych, przygotowanie datasetu, budowa modeli, GenAI, RAG, deployment, monitoring i decyzje biznesowe. AI nie jest dodatkiem na końcu, ale wsparciem używanym na każdym etapie pracy.

Czy kurs przygotowuje do pracy jako Data Scientist?

+

Kurs daje realny upskill w stronę Data Science i Machine Learning, ale nie obiecuje automatycznej zmiany branży ani pełnej samodzielności eksperckiej po 80 godzinach. Po kursie będziesz rozumieć praktyczny workflow Data Science i umieć budować, oceniać oraz wdrażać proste modele ML z pomocą AI.

Jak AI będzie wykorzystywane na kursie?

+

AI będzie pełnić rolę asystenta nauki i pracy: pomoże wyjaśniać kod, debugować błędy, pisać zapytania SQL, generować pomysły na cechy, interpretować metryki, dokumentować modele i przygotowywać rekomendacje biznesowe. Kurs uczy też krytycznej weryfikacji odpowiedzi AI.

Czy na kursie będziemy budować aplikacje AI, RAG albo agentów?

+

Kurs obejmuje LLM, RAG i Hugging Face w kontekście pracy Data Scientisty, ale nie jest pełnym kursem AI/LLM Engineeringu. Celem jest pokazanie, jak GenAI wspiera workflow Data Science i Machine Learning.

Czy na kursie będzie Deep Learning?

+

Na kursie pojawią się podstawy sieci neuronowych: neuron, wagi, funkcje aktywacyjne, gradient, propagacja wsteczna i prosty model. Nie jest to jednak rozbudowany kurs Deep Learningu obejmujący szczegółowo CNN, RNN czy zaawansowane architektury transformerowe.

Czy po kursie otrzymam certyfikat?

+

Tak, po zaliczeniu kursu otrzymasz certyfikat potwierdzający zdobycie wiedzy i praktycznych umiejętności z zakresu Python, SQL, EDA, Feature Engineering, statystyki, Machine Learning, GenAI, LLM, RAG, deploymentu modeli, MLOps i monitoringu.

Czy zajęcia są praktyczne?

+

Tak. Kurs ma formę warsztatową — większość pracy odbywa się w notebookach, na danych, modelach i ćwiczeniach. Teoria jest wprowadzana w krótkich fragmentach, a następnie od razu wykorzystywana w praktyce.

Czy będę pracować nad jednym projektem końcowym?

+

Kurs nie opiera się na jednym dużym projekcie końcowym. W trakcie zajęć tworzysz zestaw praktycznych artefaktów: notebooki, modele, zapytania SQL, pipeline’y przygotowania danych, integrację z LLM/RAG, API do predykcji i elementy monitoringu.

Czy raty są naprawdę 0%?

+

0% dotyczy wariantów 5, 10 i 15 rat — płacisz dokładnie tyle, ile wynosi pełna cena kursu, tylko rozłożoną w czasie. Dłuższe harmonogramy (24, 36 i 50 rat) są nisko oprocentowane. Szczegóły każdorazowo ustalamy przy zawieraniu umowy.

Ile trwa proces uzyskania dofinansowania z BUR?

+

Wniosek składasz u Operatora regionalnego — cały proces może potrwać nawet miesiąc. Warto zacząć odpowiednio wcześnie przed planowanym startem kursu. Dane kursu potrzebne do wniosku podeślemy od ręki.

Czy bezrobotny może dostać pełne dofinansowanie?

+

Osoby zarejestrowane w Urzędzie Pracy jako bezrobotne mogą ubiegać się o dofinansowanie kursu. Urząd Pracy może pokryć całość lub część kosztów — zależy to od konkretnego programu i decyzji urzędu. Wniosek składasz w swoim Urzędzie Pracy, my dostarczamy dokumenty dotyczące szkolenia.

Czy KFS jest tylko dla pracowników?

+

Tak. Krajowy Fundusz Szkoleniowy to środki Funduszu Pracy przeznaczone dla pracodawców, którzy chcą przeszkolić siebie i swoich pracowników. Wniosek składa pracodawca w swoim Urzędzie Pracy — wysokość dofinansowania i warunki naboru określa dany urząd.

Czy cena zawiera VAT?

+

Tak. Ceny kursów podajemy w kwotach brutto — zawierają 23% VAT. Na fakturze dla firmy rozbijamy je na kwotę netto i podatek.

Czy kursy są trudne?

+

Tak — uczciwie mówimy, że nasze kursy są intensywne i wymagają sporo pracy własnej. Stawiamy na realne, weryfikowalne umiejętności, nie na "szybkie obietnice".

Czy mam dostęp do nagrań po kursie?

+

W przypadku kursów zdalnych na żywo udostępniamy nagrania. Kursy wideo (self-learning) mają dożywotni dostęp.

Jak rozliczyć kurs z dofinansowania BUR?

+

Wniosek o dofinansowanie składasz samodzielnie u Operatora regionalnego, a usługę rozliczasz w Bazie Usług Rozwojowych. Napisz do nas — wskażemy, gdzie szukać naboru w Twoim województwie, i podeślemy dane kursu potrzebne do wniosku.

Czy mogę zapłacić w ratach?

+

Tak. Oferujemy płatność ratalną przez PayU. Możesz też starać się o dofinansowanie ze środków publicznych — podpowiemy, gdzie szukać naboru i jakich danych o kursie potrzebujesz do wniosku.

Czy otrzymam certyfikat ukończenia?

+

Tak. Po zaliczeniu kursu otrzymujesz certyfikat infoShare Academy potwierdzający zdobyte kompetencje. Część kursów przygotowuje też do certyfikacji branżowych (np. PCEP, AWS, CPTE).