Sztuczna inteligencja (AI) z technologii przyszłości w błyskawicznym tempie stała się częścią naszej rzeczywistości. Technologie, takie jak OpenAI (ChatGPT) czy Midjourney budzą globalne zainteresowanie i pobudzają wyobraźnię. AI nie tylko zmienia sposób, w jaki komunikujemy się z innymi ludźmi i maszynami, ale także otwiera nowe możliwości dla rozwoju osobistego i zawodowego.
Jako firma technologiczna zajmująca się wdrożeniami sztucznej inteligencji, uczeniem maszynowym a także projektami edukacyjnymi proponujemy Państwu kompleksowy kurs pozwalający na nabycie wiedzy na temat programowania sztucznej inteligencji oraz trendów w świecie AI. Program został przygotowany przez multidyscyplinarny zespół praktyków z doświadczeniem programistycznym i dydaktycznym.
Uczestnik kursu zdobywa kompleksową wiedzę na temat sztucznej inteligencji nie tylko w zakresie teorii, ale przede wszystkim jej programowania, obsługi i praktycznego zastosowania.
Terminy: do uzgodnienia dla zorganizowanych grup minimum 5 osób.
Liczba godzin każdego modułu: 10 (5 godzin po 60 min każdego dnia wraz z przerwą kawową) w godzinach 9:00-14:00.
Lokalizacja: warsztaty zdalne.
Grupa: do 10 osób.
Wykładowcy: Prof. UAM dr hab. Łukasz Smaga, Prof. UAM dr hab. Tomasz Górecki, mgr Adam Mieldzioc, Mgr Damian Tawrel.
Cena: 8 000 zł netto (9 840 zł brutto) za osobę (zamówienie min. dla 5 osób).
Metody płatności: przelew na konto.
Kurs składa się z 6 modułów:
Moduł 1: Wstęp do programowania sztucznej inteligencji w Pythonie (10 godzin po 60 min)
Zagadnienia:
Efekty kształcenia:
Kursanci poznają składnię języka Python, włączając w to deklarację zmiennych, operatory, instrukcje warunkowe, pętle i funkcje. Będą w stanie pisać czytelny i efektywny kod w Pythonie, który pozwoli na manipulowanie danymi. Nauczą się tworzyć programy, które wykorzystują pętle, instrukcje warunkowe i funkcje. Będą w stanie tworzyć algorytmy, kontrolować przepływ programu i rozwiązywać problemy za pomocą programowania z wykorzystaniem gotowych modułów i bibliotek w Pythonie. Poznają popularne moduły takie jak NumPy, pandas i Matplotlib, które są często używane w analizie danych i wizualizacji, używając do tego operacji wejścia i wyjścia. Dzięki temu filtrowanie, sortowanie danych nie będzie sprawiało żadnych kłopotów i pozwoli na tworzenie czytelnych wykresów oraz histogramów.
Wykładowca:
Profesor uczelni w Zakładzie Statystyki Matematycznej i Analizy Danych na Wydziale Matematyki i Informatyki Uniwersytetu im. Adama Mickiewicza w Poznaniu. Pracuje naukowo w dziedzinach testowania hipotez statystycznych, analizy danych funkcjonalnych oraz teorii eksperymentu. Zajmuje się również zastosowaniami metod statystycznych i uczenia maszynowego w praktycznych zagadnieniach. Od wielu lat programuje w języku Python i R. Doświadczony dydaktyk w zakresie rachunku prawdopodobieństwa, statystyki matematycznej i jej zastosowań. Współpracuje m.in. z pracownikami National University of Singapore, TU Dortmund University, Otto von Guericke University Magdeburg, Texas Tech University, Shiga University, Politechniki Poznańskiej i Uniwersytetu Ekonomicznego w Poznaniu.
Moduł 2: Wstęp do data science w Pythonie (10 godzin po 60 min)
Zagadnienia:
Efekty kształcenia:
Kursanci nabędą umiejętności posługiwania się trzema bibliotekami języka Python, które stanowią główne narzędzia data science. Pierwszą z nich jest pakiet numpy, który udostępni im klasę tablic dowolnego wymiaru oraz szeroką gamę bardzo wydajnych funkcji służących do przekształcania i podsumowywania zawartych w nich informacji. W ten sposób uczestnicy będą mogli wykonywać praktycznie wszystkie szeroko pojęte obliczenia numeryczne w języku Python, w szczególności związane z sieciami neuronowymi. Pakiet numpy jest podstawą biblioteki pandas, która z kolei dostarcza chyba najczęściej używanego w codziennej pracy data scientist typu danych jakim jest ramka danych (ang. data frame). Obiekty tego typu pozwalają w szczególności na wybór podzbioru danych, ich grupowania, łączenia, obliczania podstawowych statystyk i radzenia sobie z brakami danych. Wykorzystanie tych dwóch bibliotek uczestnicy przećwiczą wyznaczając miary położenia i rozrzutu zmiennych, przedziały ufności dla parametrów, testując hipotezy statystyczne oraz dokonując analizy korelacji. Poznają podejścia klasyczne, ale również metody odporne i resamplingowe (permutacyjne i bootstrapowe), które są popularne w analizie danych. W szczególności dowiedzą się, czym jest test A/B, dzięki któremu będą mogli zweryfikować np. który z nagłówków spowoduje więcej wejść na stronę internetową firmy. Jest to popularne badanie w marketingu i świece e-commerce. Dowiedzą się również jak badać wydajność procedur testowych za pomocą metody Monte Carlo bazującej na obliczeniach numerycznych. Uczestnicy poznają bibliotekę matplotlib, która pozwala na wizualizację danych za pomocą szeroko wykorzystywanych wykresów w data science.
Wykładowca:
Profesor uczelni w Zakładzie Statystyki Matematycznej i Analizy Danych na Wydziale Matematyki i Informatyki Uniwersytetu im. Adama Mickiewicza w Poznaniu. Pracuje naukowo w dziedzinach testowania hipotez statystycznych, analizy danych funkcjonalnych oraz teorii eksperymentu. Zajmuje się również zastosowaniami metod statystycznych i uczenia maszynowego w praktycznych zagadnieniach. Od wielu lat programuje w języku Python i R. Doświadczony dydaktyk w zakresie rachunku prawdopodobieństwa, statystyki matematycznej i jej zastosowań. Współpracuje m.in. z pracownikami National University of Singapore, TU Dortmund University, Otto von Guericke University Magdeburg, Texas Tech University, Shiga University, Politechniki Poznańskiej i Uniwersytetu Ekonomicznego w Poznaniu.
Moduł 3: Machine learning w Pythonie (10 godzin po 60 min)
Zagadnienia:
Efekty kształcenia:
Po ukończeniu kursu, uczestnicy powinni samodzielnie przeprowadzać zaawansowane analizy danych i budować efektywne modele uczenia maszynowego. W dodatku, zdobędą umiejętności niezbędne do zrozumienia, interpretacji i komunikacji wyników analizy danych, co jest kluczowe w wielu dziedzinach, od nauki do biznesu. W szczególności po ukończeniu kursu, uczestnicy powinni być w stanie:
Wykładowca:
Profesor uczelni w Zakładzie Statystyki Matematycznej i Analizy Danych na Wydziale Matematyki i Informatyki Uniwersytetu im. Adama Mickiewicza w Poznaniu, prodziekan ds. grantów i współpracy z gospodarką na Wydziale Matematyki i Informatyki UAM. Naukowo zajmuje się analizą szeregów czasowych, analizą danych funkcjonalnych oraz sztuczną inteligencją. Zajmuje się również zastosowaniami metod statystycznych i uczenia maszynowego w praktycznych zagadnieniach. Od ponad dwudziestu lat prowadzi zajęcia związane z rachunkiem prawdopodobieństwa, statystyką, uczeniem maszynowym i sztuczną inteligencją. Współpracuje z wieloma firmami na polu uczenia maszynowego i sztucznej inteligencji (Lidl, OLX, PWN, Samsung, Smartstock). Od wielu lat posługuje się językami Python oraz R, jest m.in. współautorem pakietów w R oraz autorem książki „Podstawy statystyki z przykładami w R”. Współpracuje m.in. z pracownikami Colorado State University, University of Utah, Politechniki Poznańskiej, Uniwersytetu Ekonomicznego w Poznaniu oraz Uniwersytetu Przyrodniczego w Poznaniu.
Moduł 4: Deep learning (sieci neuronowe) w Pythonie (10 godzin po 60 min)
Zagadnienia:
Efekty kształcenia:
Po ukończeniu kursu, uczestnicy powinni samodzielnie przeprowadzać zaawansowane analizy danych, korzystając z najnowszych technik uczenia maszynowego i głębokiego uczenia. Będą także w stanie projektować, implementować i oceniać modele sieci neuronowych za pomocą bibliotek H2O i Keras, co jest kluczowe dla wielu zaawansowanych zastosowań uczenia maszynowego. W szczególności, po ukończeniu kursu, uczestnicy powinni:
Wykładowca:
Profesor uczelni w Zakładzie Statystyki Matematycznej i Analizy Danych na Wydziale Matematyki i Informatyki Uniwersytetu im. Adama Mickiewicza w Poznaniu, prodziekan ds. grantów i współpracy z gospodarką na Wydziale Matematyki i Informatyki UAM. Naukowo zajmuje się analizą szeregów czasowych, analizą danych funkcjonalnych oraz sztuczną inteligencją. Zajmuje się również zastosowaniami metod statystycznych i uczenia maszynowego w praktycznych zagadnieniach. Od ponad dwudziestu lat prowadzi zajęcia związane z rachunkiem prawdopodobieństwa, statystyką, uczeniem maszynowym i sztuczną inteligencją. Współpracuje z wieloma firmami na polu uczenia maszynowego i sztucznej inteligencji (Lidl, OLX, PWN, Samsung, Smartstock). Od wielu lat posługuje się językami Python oraz R, jest m.in. współautorem pakietów w R oraz autorem książki „Podstawy statystyki z przykładami w R”. Współpracuje m.in. z pracownikami Colorado State University, University of Utah, Politechniki Poznańskiej, Uniwersytetu Ekonomicznego w Poznaniu oraz Uniwersytetu Przyrodniczego w Poznaniu.
Moduł 5: Narzędzia AI (10 godzin po 60 min)
Zagadnienia:
Efekty kształcenia:
Po ukończeniu kursu uczestnicy będą posiadać solidne podstawy dotyczące sztucznej inteligencji, w tym zrozumienie jej koncepcji, technik i zastosowań. Kurs pozwoli im nauczyć się korzystać z różnych narzędzi i technologii wykorzystujących sztuczną inteligencję. Będą posiadać praktyczne umiejętności wykorzystywania sztucznej inteligencji w różnych dziedzinach: obróbka obrazów, tworzenie grafik, edycja dźwięku, tworzenie tekstów, tłumaczenia, rozpoznawania mowy i rozpoznawania obrazów, które będą mogli użyć w tworzeniu swoich własnych projektów. Dzięki praktycznym ćwiczeniom i eksperymentom, które uczestnicy wykonają podczas kursu, będą mieli możliwość odkrywania różnych funkcji narzędzi i testowania ich w praktyce. To pozwoli im zdobyć wiedzę na temat możliwości i ograniczeń sztucznej inteligencji. Kurs zapewni im solidne fundamenty i umiejętności, które pozwolą na samodzielną naukę i rozwijanie się w tematach związanych ze sztuczną inteligencją oraz eksplorowania nowych narzędzi, technologii i trendów w tej dynamicznej dziedzinie.
Wykładowca:
Profesor uczelni w Zakładzie Statystyki Matematycznej i Analizy Danych na Wydziale Matematyki i Informatyki Uniwersytetu im. Adama Mickiewicza w Poznaniu. Pracuje naukowo w dziedzinach testowania hipotez statystycznych, analizy danych funkcjonalnych oraz teorii eksperymentu. Zajmuje się również zastosowaniami metod statystycznych i uczenia maszynowego w praktycznych zagadnieniach. Od wielu lat programuje w języku Python i R. Doświadczony dydaktyk w zakresie rachunku prawdopodobieństwa, statystyki matematycznej i jej zastosowań. Współpracuje m.in. z pracownikami National University of Singapore, TU Dortmund University, Otto von Guericke University Magdeburg, Texas Tech University, Shiga University, Politechniki Poznańskiej i Uniwersytetu Ekonomicznego w Poznaniu.
Moduł 6: Tworzenie produktów z użyciem AI (AI product management) (10 godzin po 60 min)
Zagadnienia:
Efekty kształcenia:
Uczestnicy nabędą wiedzę, jak wykorzystać umiejętności programowania w Pythonie oraz sztucznej inteligencji. W trakcie warsztatów będziemy formułować problemy, stawiać hipotezy oraz organizować pracę w zespoły projektowe adresujące wybrane przez uczestników problemy. Warsztaty nauczą uczestników planowania oraz rozdzielania zadań związanych z realizacją projektów opartych o AI. Uczestnicy warsztatów dowiedzą się jak formułować user stories oraz określać cel projektu oraz wskaźniki jego realizacji. Dowiedzą się również o zagrożeniach i etyce związanej z funkcjonowaniem AI w aplikacjach oraz tego, jak im przeciwdziałać.
Wykładowca:
Damian Tawrel, product manager, który od lat zajmuje się wykorzystywaniem najnowszych technologii, takich jak uczenie maszynowe, sztuczna inteligencja, do tworzenia innowacji w produktach konsumenckich i biznesowych. Przez przeszło 10 lat pracy w Allegro, dostawcy największego marketplace w Europie Środkowej, zajmował się rozwojem wielu produktów, w tym w szczególności aplikacji mobilnych. Od 2018 roku wraz z zespołem specjalistów współtworzył w Allegro wyszukiwarkę obrazować (visual search). Aktualnie dla firmy LiveChat rozwija zaawansowane systemy oparte o sztuczną inteligencję oraz współpracuje z Xenstats w zakresie dostarczania wiedzy, prowadzenia warsztatów z zakresu wykorzystywania AI do rozwoju usług, procesów i produktów.