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).
Kurs Data Science + AI
Od danych do decyzji biznesowych — z AI w roli głównej.
Sprawdź, czy to kurs dla Ciebie.
Osoby z analitycznym zacięciem, które rozwijają kompetencje w stronę Data Science i ML.
Czego potrzebujesz na start.
Sprawna obsługa komputera i swobodne poruszanie się w cyfrowym środowisku
Zdolność analitycznego i logicznego myślenia przy pracy z danymi liczbowymi
Angielski na poziomie min. B2 (praca z oprogramowaniem i dokumentacją)
Upewnij się, że ten kurs jest dla Ciebie.
Jeden sposób zajmuje 3 minuty i przechodzisz go sam. Drugi to rozmowa z doradcą, który zna program i wie, z czym mierzą się uczestnicy.
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
Od fundamentów do realnych projektów
80 h pracy z trenerem + zadania domowe i projekt.
Program zaktualizowany 2026- · 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
- · 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
- · 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
- · 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
- · 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
- · 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
- · 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
- · 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
- · 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
- · 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
- · 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
- · 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
- · 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
- · 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
- · 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
- · 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
- · 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
- · 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
- · 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
- · 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
Technologie i narzędzia, które opanujesz.
Pracujemy na tym samym stacku, którego używają zespoły w produkcji — po kursie znasz go z praktyki.
Poznaj trenerów tego kursu.
Poznaj część trenerów prowadzących zajęcia w infoShare Academy. Skład prowadzących tej edycji potwierdzamy przed startem — może się różnić od prezentowanego.
Inżynier oprogramowania pracujący jako Full-stack developer. Na co dzień projektuje oraz wdraża rozwiązania w aplikacjach cloud-native z użyciem języków Python oraz TypeScript.
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.
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.
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…
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.
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…
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.
Co mówią nasi kursanci.
„Bardzo intensywny kurs data science, ogrom wiedzy. Wymaga dużo zaangażowania i wyrzeczeń, ale warto . Polecam ;)"
„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!"
„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."
„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!"
„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."
„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, by sfinansować kurs.
Raty 0%
Raty bez dodatkowych kosztów. Płacisz w trakcie kursu i po nim.
BUR / KFS / PFR
Dofinansowania ze środków UE i Funduszu Pracy. Podpowiemy, gdzie szukać naboru i jakich danych o kursie potrzebujesz do wniosku.
Płatność z góry
Płatność jednorazowa za cały kurs — bez umów ratalnych i formalności.
Sprawdź szczegóły dofinansowań (BUR, KFS, PUP), kalkulator rat i listę dokumentów na osobnej stronie.
Poznaj finansowanie →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.
Rozmowa o budżecie bywa wyzwaniem, dlatego przygotowaliśmy gotowe rozwiązanie. Pobierz ulotkę i pokaż przełożonemu konkretne argumenty za Twoim rozwojem.
Zapytaj
o kurs.
Zostaw kontakt i napisz, o co chcesz zapytać. Doradca odezwie się w ciągu 24h — bez zobowiązań.
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).