Kurs Machine Learning Masters
Algorytmy ML w praktycznych projektach.
Kurs Machine Learning Masters — dla kogo?
Dla początkujących
Zaczynamy od podstaw — nie potrzebujesz wcześniejszego doświadczenia.
Dla osób przebranżawiających się
Konkretne, praktyczne umiejętności, które zbudujesz w portfolio.
Dla praktyków
Uporządkujesz wiedzę i poznasz dobre praktyki stosowane w produkcji.
Dla zabieganych
Krótkie lekcje wideo — uczysz się wtedy, kiedy masz czas.
Dlaczego warto rozwijać się w tym obszarze?
Realne zapotrzebowanie
Umiejętności z tego obszaru są dziś poszukiwane w wielu branżach i typach projektów.
Nauka przez praktykę
Uczysz się na konkretnych przykładach i projektach, które od razu trafiają do Twojego portfolio.
Dobre perspektywy
To kompetencje, które realnie przekładają się na rozwój kariery i wynagrodzenie.
Wsparcie społeczności
Dołączasz do aktywnej społeczności kursantów i rozwijasz się razem z innymi.
Konkretne umiejętności, nie abstrakcje.
Implementujesz algorytmy ML w praktycznych projektach
Pracujesz ze scikit-learn, LightGBM i Optuna
Optymalizujesz i wdrażasz modele (AWS)
Uczysz się w swoim tempie z dożywotnim dostępem
Czego dotyka kurs w praktyce.
Wszystko w cenie kursu.
Kompleksowy program
Kurs podzielony na lekcje wideo, urozmaicony zadaniami i materiałami dodatkowymi.
Dożywotni dostęp
Dostęp life-time do kursu — wracasz do materiałów, kiedy chcesz.
Gwarancja zadowolenia
Możesz zwrócić kurs w ciągu 15 dni od otrzymania dostępu — bez pytań.
Praktyczne zadania
Kurs bazuje na ćwiczeniach i przykładach, które od razu wprowadzisz w życie.
Materiały do nauki
Dostęp do repozytorium i wszystkich materiałów omawianych przez trenera.
Imienny certyfikat
Po zaliczeniu testu końcowego otrzymasz imienny certyfikat ukończenia.
Wsparcie trenera
Kanał na Discordzie i wsparcie zespołu ISA.
Społeczność
Dołączasz do społeczności kursantów — pytania, feedback i wymiana wiedzy.
5 bloków · 35 modułów · 193 lekcje.
Program dzieli się na 5 bloków — każdy z własnym czasem trwania, opisem i zestawem modułów. Uczysz się w swoim tempie — dostęp do materiału od razu po zakupie.
Blok 1 Analiza danych w Pythonie
Poznasz Pythona od podstaw i opanujesz kluczowe biblioteki do analizy danych (NumPy, Pandas, Matplotlib, Seaborn, Plotly). Nauczysz się wczytywać, czyścić i przekształcać dane oraz tworzyć wizualizacje i proste raporty. Możesz zacząć nawet bez wcześniejszej znajomości Pythona – wystarczą podstawy matematyki.
M01Wprowadzenie i instalacja środowiska
- Wstęp do kursu
- Instalacja środowiska – Windows
- Instalacja srodowiska – Ubuntu
- Instalacja środowiska – Mac OS
- Materiały do zajęć
M02Podstawy Pythona
- Wprowadzenie
- Zapoznanie z VS code, jupyter notebook i podstawowe operacje
- Typy danych
- Zaawansowane typy danych – część 1
- Zaawansowane typy danych – część 2
- Zaawansowane typy danych – część 3
- Quiz
- Biblioteki w Python / operacje matematyczne
- Instrukcja warunkowa – część 1
- Instrukcja warunkowa – część 2
- Quiz
- Pętle – część 1
- Pętle – część 2
- Quiz
- Typy błędów
- Funkcje – część 1
- Funkcje – część 2
- Input od użytkownika
- Quiz
- Mini projekt podstawy Pythona – omówienie zadania
- Mini projekt podstawy Pythona – rozwiązanie
- Podsumowanie
M03Analiza danych w Python
- Wprowadzenie
- NumPy – typy danych
- NumPy – operacje
- Quiz
- Pandas – wczytywanie danych
- Pandas – podstawowe operacje – część 1
- Pandas – podstawowe operacje – część 2
- Quiz
- Agregacja danych – część 1
- Agregacja danych – część 2
- Analiza korelacji – teoria
- Analiza korelacji – praktyka
- Quiz
- Zaawansowane operacje – część 1
- Matplotlib – część 1
- Matplotlib – część 2
- Quiz
- Seaborn – część 1
- Seaborn – część 2
- Plotly – wykresy interaktywne
- Quiz
- Interpretacja wynikow – case study – część 1
- Interpretacja wynikow – case study – część 2
M04Mini projekt: Analiza sprzedaży kawy
- Projekt: Analiza sprzedaży kawy – omówienie zadania
- Projekt: Analiza sprzedaży kawy – rozwiązanie zadania
- Podsumowanie
Test końcowy
Blok 2 Podstawy Machine Learning
Dowiesz się, jak przygotować dane, trenować modele ML (regresja liniowa, logistyczna, drzewa decyzyjne, lasy losowe, LightGBM) i oceniać je za pomocą odpowiednich metryk. Poznasz również najważniejsze koncepcje uczenia maszynowego. Ten blok jest skierowany do osób, które ukończyły blok 1 lub mają podstawy Pythona i analizy danych.
M01Machine Learning – teoria
- Wprowadzenie
- Data Science i Machine Learning – podstawowe pojęcia
- Przykłady problemów, które rozwiązuje ML
- Proces tworzenia rozwiązań ML
- Rodzaje modeli
- Eksploracja danych
- Quiz
- Podsumowanie
M02Klasyfikacja
- Podstawowe definicje i pojęcia
- Ewaluacja modeli
- Quiz
M03Regresja logistyczna
- Wprowadzenie – teoria
- Regresja logistyczna – case study – część 1
- Regresja logistyczna – case study – część 2
- Interpretacja modelu – teoria
- Interpretacja modelu – praktyka
- Quiz
- Regresja wielomianowa – część 1
- Regresja wielomianowa – część 2
- Ocena modeli na podstawie klasy
- Ocena modeli na podstawie prawdopodobieństwa
- Quiz
M04Mini projekt – klasyfikacja
- Mini projekt – klasyfikacja – omówienie zadania
- Mini projekt – klasyfikacja – rozwiązanie
- Podsumowanie
M05Regresja liniowa
- Regresja liniowa – teoria
- Ewaluacja modeli regresyjnych
- Regresja liniowa – case study
- Interpretacja modelu – teoria
- Quiz
- Interpretacja modelu – praktyka
- Ocena modeli
- Quiz
M06Drzewa decyzyjne
- Drzewo decyzyjne – teoria
- Drzewo klasyfikacyjne
- Hiperparametry modelu
- Drzewo regresyjne
- Rysowanie drzewa/ porównanie do regresji liniowej
- Quiz
M07Random forest
- Random Forest – teoria
- RandomForest regresyjny
- Random Forest klasyfikacyjny
- Random Forest klasyfikacyjny – ocena modelu
- Quiz
M08Light GBM
- Light GBM – Teoria
- Wykorzystanie Light GBM w praktyce
- Quiz
M09Projekt – podstawy ML
- Projekt – podstawy ML – omówienie zadania
- Projekt – podstawy ML – rozwiązanie
- Podsumowanie
Test końcowy
Blok 3 Zaawansowany Machine Learning
Zgłębisz inżynierię cech, selekcję zmiennych, nieliniowe przekształcenia, kalibrację prawdopodobieństwa i uczenie nienadzorowane (K-Means, PCA, DBSCAN). Poznasz też modele szeregów czasowych, uczenie pół-nadzorowane i przeróżne metody analizy wyników.
M01Feature Engineering and selection
- Wprowadzenie
- Zmienne kategoryczne – enkodowanie teoria
- Zmienne kategoryczne – one hot encoding i ordinal encoding
- Target based encoding
- Case study – wpływ zmiennych kategorycznych
- Quiz
- Przekształcenia zmiennych nominalnych
- Normalizacja zmiennych
- Przekształcenie boxa-coxa
- Quiz
- Kategoryzacja zmiennych – teoria
- Kategoryzacja zmiennych – praktyka
- Zaawansowane metody selekcji zmiennych – teoria
- Zaawansowane metody selekcji zmiennych – praktyka
- Quiz
- Zaawansowane metody detekcji outlierów – teoria
- Zaawansowane metody detekcji outlierów – praktyka
- Bilansowanie zbioru danych – teoria
- Bilansowanie zbioru danych – praktyka
- Quiz
- Podsumowanie
M02Regresja kwantylowa
- Regresja kwantylowa
- quantile regression
- Quiz
M03Wykorzystanie prawdopodobieństwa
- Prawdopodobieństwo
- Metryki bazujące na prawdopodobieństwie – ROC, precision recall
- Metryki bazujące na prawdopodobieństwie – Rozkład prawdopodobieństwa
- Metryki bazujące na prawdopodobieństwie – Krzywe lift i gain
- Quiz
- Kalibracja prawdopodobieństwa
- Optymalny punkt cut-off, klasy prawdopodobieństwa
M04Mini projekt – selekcja zmiennych + kalibracja prawdopodobieństwa
- Projekt – omówienie zadania
- Projekt – rozwiązanie
- Podsumowanie
M05Time series – szeregi czasowe
- Time series – wstęp
- Regresja liniowa
- Time series – preprocessing – część 1
- Time series – preprocessing – część 2
- Time series – preprocessing – część 3
- Quiz
- Time series – modelowanie
- Dane panelowe z wykorzystaniem modeli ML
- Statsforecasts
- Auto TS
- Neural Prophet
- Exponential smoothing
- Quiz
- Podsumowanie
M06Modele z wielowymiarowym wyjściem
- Teoria
- Praktyka
- Quiz
M07Unsupervised learning
- Podstawy uczenia nienadzorowanego
- K-means
- Metody hierarchiczne
- Quiz
- KNN
- DBSCAN
- Redukcja wymiarowości – PCA
- Quiz
- Podsumowanie
M08Semi supervised learning
- Teoria i koncepcja
- Przykład modelu klasyfikacyjnego
M09Projekt – zaawansowany Machine Learning
- Projekt – zaawansowany ML – omówienie zadania
- Projekt – zaawansowany ML – rozwiązanie – Analiza Danych
- Projekt – zaawansowany ML – rozwiązanie – modelowanie
- Podsumowanie
Test końcowy
Blok 4 Optymalizacja i zarządzanie modelami
W tym bloku skoncentrujesz się na optymalizacji hiperparametrów (random search, grid search, Optuna, optymalizacja Bayesowska) i zastosowaniach biznesowych (symulacje, macierze kosztów). Nauczysz się też wdrażania modeli: obsługi baz danych (SQL, SQLAlchemy), usług chmurowych (AWS S3) oraz zarządzania modelami (Scikit-learn Pipelines, MLflow). To idealna kontynuacja dla Ciebie, jeśli masz już solidne podstawy ML.
M01Klasyczne metody optymalizacji modeli
- Wprowadzenie
- Po co optymalizować modele?
- random search
- grid search
- Quiz
M02Klasyczne metody optymalizacji
- Programowanie liniowe – teoria
- Optymalizacja liniowa
- Wybrane metody optymalizacyjne w bibliotece scipy
- Quiz
M03Zaawansowane metody optymalizacji
- Zaawansowane metody optymalizacyjne
- Wstęp do optuny
- Optymalizacja hiperparametrów w Optunie
- Optymalizacja Bayesowska
- Optymalizacja zaawansowana w bibliotece Scipy
- Quiz
M04Optymalizacja biznesowa
- Wstęp do optymalizacji biznesowej – czyli piękny model to za mało
- Symulacje
- Macierz kosztów
- Case study
- Quiz
M05Projekt – optymalizacja
- Projekt – omówienie zadania
- Projekt – rozwiązanie – Zadania 1-2
- Projekt – rozwiązanie – Zadania 3-5
- Podsumowanie
M06SQL i SQLalchemy
- Wstęp do baz danych i SQL
- Zapytania DDL SQL w Python
- Zapytania DQL SQL w Python
- Quiz
M07AWS
- AWS – wstęp
- Konfiguracja środowiska AWS
- S3
- Quiz
M08Deployment modelu
- Zarządzanie modelami – teoria
- Scikit- learn pipelines
- Zapisywanie i wczytywanie modelu
- Przygotowanie prognozowania modelu
- Mlflow
- Quiz
M09Projekt – deployment i zarządzanie modelami
- Projekt – omówienie zadania
- Projekt – rozwiązanie – Zadania 1-2
- Projekt – rozwiązanie – Zadania 3-5
- Podsumowanie
Test końcowy
Blok 5 Projekt: Dostępność rowerów miejskich
Stworzysz kompleksowy projekt, który łączy analizę danych, modelowanie (w tym szeregów czasowych czy klasyfikacji) i wdrażanie rozwiązania. To praktyczne zwieńczenie całego kursu – sprawdzisz w działaniu całą wiedzę zdobytą w poprzednich blokach.
M01Data Preprocessing
- Wprowadzenie
- Wczytanie i agregacja danych
- Tworzenie map
- Analiza Danych
M02Analiza szeregu czasowego
- Data Preprocessing
- Model długookresowy
- Model krótkookresowy – time series
- Model krótkookresowy – klasyczny machine learning
M03Model Klasyfikacyjny
- Wczytanie zbioru i wstępne przetwarzanie
- Stworzenie nowych zmiennych
- Detekcja outlierów i selekcja zmiennych
- Optymalizacja modelu
M04Wdrożenie i użycie modelu
- Zapis danych do bazy danych
- Pobieranie modelu
- Predykcja na następną godzinę
- Predykcja na kolejny dzień
- Aplikacja
- Podsumowanie
Ucz się w swoim tempie.
Same nagrania trwają 40h, do czego warto doliczyć przynajmniej kilka godzin pracy własnej. Możesz przejść kurs w tydzień albo rozłożyć go na pół roku — dostęp masz dożywotnio.
Uczysz się narzędzi, z którymi realnie pracuje branża.
Stack Overflow co roku pyta dziesiątki tysięcy programistów z całego świata, z jakimi technologiami pracują i z jakimi chcą pracować. Tak wypadają technologie tego kursu:
Skala słupków: 0-100%. „Pracowało" i „chce pracować" to odsetek wszystkich ankietowanych, „używający chcą przy niej zostać" — odsetek osób, które z technologią już pracują.
Źródło: Stack Overflow Developer Survey 2025 (dane na licencji ODbL).
Dlaczego warto mieć certyfikat ukończenia?
Imienny certyfikat infoShare Academy
Certyfikat wydajemy po zaliczeniu kursu: po obejrzeniu wszystkich lekcji i zdaniu testu końcowego otrzymasz imienny certyfikat ukończenia potwierdzający zdobyte umiejętności.
Certyfikat ma unikalny numer weryfikacyjny i wydawany jest przez infoShare Academy — markę rozpoznawalną w polskiej branży IT od 2015 roku. Dołączysz go do CV i profilu na LinkedIn.
Wybierz pakiet dla siebie.
Dostęp do materiałów od razu po zakupie — niezależnie od pakietu.
Pełny kurs
Najczęściej wybieranyCały materiał w Twoim tempie — wszystkie moduły od razu po zakupie.
PROMOCJAMachine Learning Masters – Blok 1: Analiza danych w Python + Blok 2: Podstawy Machine Learning
Moduły 1-13 pełnego kursu.
Machine Learning Masters – Zaawansowany Machine Learning
Moduły 14-22 pełnego kursu.
Machine Learning Masters – Optymalizacja i zarządzanie modelami
Moduły 23-31 pełnego kursu.
Machine Learning Masters – Pakiet dla zaawansowanych
Wszystkie pakiety: dostęp od razu po zakupie · faktura VAT · 15 dni gwarancji zwrotu.
Przekonaj się, jak wyglądają lekcje.
Przeszkoliliśmy ponad 9970 osób
Opinie pochodzą z Google i z profili kursów. Poniżej kilka wybranych z ostatnich miesięcy.
„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!"
„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!"
Patryk Krysiński
Patryk związany jest z danymi od 2016 roku. Swoją karierę w Data Science rozpoczynał od bankowości i ryzyka kredytowego, później w windykacji, aż po sektor Consumer Packaged Goods. Ukończył Matematykę na Politechnice Gdańskiej oraz Analizę Danych w Szkole Głównej Handlowej w Warszawie. W swojej pracy oprócz tworzenia rozwiązań opartych o Machine Learning skupia się, na zrozumieniu procesów biznesowych, danych i odbiorcy, tak aby stworzyć optymalne i użyteczne rozwiązania. Z Infoshare Academy współpracuje od 2020 roku. Obecnie pracuje jako Data Science Practice Lead. W wolnych chwila czyta powieści Cobena, gra na gitarze lub spaceruje ze swoim psiakiem.
Skontaktuj się
z nami.
Napisz lub zadzwoń — opiekun kursów online odpowie na pytania o program, dostęp i fakturę.
Dziękujemy!
Opiekun kursu odezwie się w ciągu 1 dnia roboczego.
FAQ
FAQ — kurs Kurs Machine Learning Masters
Kiedy otrzymam dostęp do kursu?
+
Dostęp otrzymujesz od razu po zakupie. Na Twój e-mail przyjdzie powiadomienie o założeniu konta na platformie kursowej. Naukę możesz rozpocząć w dowolnym momencie, na komputerze lub urządzeniu mobilnym.
Czy dostęp do materiałów zostaje na zawsze?
+
Tak — dostęp jest w trybie life-time (dożywotni). Materiały możesz odtwarzać dowolną liczbę razy, bez limitu czasu.
Czym to się różni od kursu na żywo?
+
Kurs self-learning to nagrania wideo i ćwiczenia dostępne od razu — uczysz się we własnym tempie, bez stałego harmonogramu. Kurs na żywo ma ustalone terminy, trenera prowadzącego na żywo i pracę w grupie, dlatego jest droższy. Self-learning sprawdzi się, jeśli preferujesz samodzielną naukę.
Czy muszę umieć programować?
+
Nie. Kurs wprowadza w temat od podstaw i nie wymaga zaawansowanych umiejętności technicznych. Pierwsze lekcje są darmowe — możesz sprawdzić styl prowadzenia przed zakupem.
Czy dostanę certyfikat?
+
Tak. Certyfikat wydajemy po zaliczeniu kursu: po obejrzeniu wszystkich lekcji i zdaniu testu końcowego otrzymasz imienny certyfikat ukończenia, który możesz dodać do CV lub profilu LinkedIn.
Czy mogę kupić na raty lub na fakturę?
+
Tak — dostępne są raty 0% (PayU). Wystawiamy też fakturę VAT lub fakturę proformę płatną przelewem, zarówno dla osób prywatnych, jak i firm.
Czy jest możliwość zwrotu kursu?
+
Tak — zapewniamy 15 dni gwarancji zadowolenia. W tym czasie możesz zrezygnować bez podawania powodu, a my zwrócimy Ci pieniądze.
To darmowy fragment kursu — obejrzyj bez logowania. Pełny dostęp do wszystkich 193 lekcji odblokujesz po zakupie.