Planowana edycja 2026/2027
AI w praktyce: od podstaw do wdrożeń
Od matematycznych i programistycznych fundamentów po projektowanie rozwiązań AI typu end-to-end z wykorzystaniem Python, Oracle Database 26ai i Oracle Cloud Infrastructure.
Praktyczny program
Pełna ścieżka od danych i modeli do wdrożenia
Program łączy fundamenty matematyczne, programowanie, klasyczne uczenie maszynowe, deep learning, duże modele językowe oraz technologie bazodanowe i chmurowe.
Nauczysz się:
- Przygotowywać i przetwarzać dane w Pythonie, Jupyter, NumPy, SQL, Oracle Database 26ai i usługach OCI.
- Budować, uruchamiać i oceniać modele klasycznego uczenia maszynowego oraz sieci neuronowe.
- Tworzyć reprezentacje wektorowe, wyszukiwanie semantyczne i rozwiązania RAG.
- Projektować proste rozwiązania AI typu end-to-end, także z komponentami agentowymi i integracją z systemami biznesowymi.
- Dokumentować rozwiązania, uzasadniać wybory techniczne oraz identyfikować ograniczenia, ryzyka i kwestie bezpieczeństwa.
Przeszukaj program i rozwiń wybrany przedmiot.
Poznaj przedmioty
16 przedmiotów
Algebra liniowa dla AIsemestr 1
Treści programowe
Wektory, normy, iloczyn skalarny. Macierze, mnożenie macierzy, transpozycja, interpretacja geometryczna podstawowych operacji liniowych. Układy równań liniowych i ich intuicyjny związek z modelowaniem danych. Wprowadzenie do pojęć wykorzystywanych później w uczeniu maszynowym, w szczególności do reprezentacji cech i parametrów modeli. Proste przykłady zastosowania algebry liniowej w regresji liniowej.
Warunki i sposób zaliczenia
Zaliczenie na ocenę na podstawie testu pisemnego oraz zadań rachunkowych wykonywanych na ćwiczeniach. Warunkiem zaliczenia jest uzyskanie co najmniej 50% punktów oraz poprawne rozwiązanie podstawowych zadań dotyczących wektorów i macierzy.
Optymalizacja i rachunek różniczkowy w uczeniu maszynowymsemestr 1
Treści programowe
Pojęcie funkcji i wykresu funkcji. Pochodna jako tempo zmian i nachylenie funkcji. Ekstrema lokalne i ich intuicyjna interpretacja w optymalizacji. Gradient funkcji wielu zmiennych. Funkcja kosztu i podstawowe pojęcie regularizacji. Metoda największego spadku i intuicja optymalizacji modeli ML.
Warunki i sposób zaliczenia
Zaliczenie na ocenę na podstawie krótkiego testu, zadań ćwiczeniowych oraz rozwiązania prostego problemu optymalizacyjnego.
Python, Jupyter i NumPy w pracy AI Engineersemestr 1
Treści programowe
Organizacja pracy w środowisku Python i Jupyter Notebook. Przygotowanie środowiska obliczeniowego lokalnie i w chmurze. Operacje na tablicach i macierzach z wykorzystaniem NumPy. Wizualizacja wyników obliczeń. Dobre praktyki tworzenia notebooków analitycznych. Podstawy przygotowania kodu do dalszej integracji z bazą danych i usługami OCI.
Warunki i sposób zaliczenia
Zaliczenie na ocenę na podstawie wykonania zadań laboratoryjnych w notebookach oraz oddania krótkiego notebooka rozwiązującego wskazany problem obliczeniowy.
Nowoczesne narzędzia programistyczne i Code Assistsemestr 1
Treści programowe
Przegląd współczesnych narzędzi wspomagających tworzenie kodu i zapytań, w tym narzędzi klasy Code Assist. Zastosowanie asystentów AI przy tworzeniu skryptów Python, zapytań SQL i dokumentacji technicznej. Ograniczenia takich narzędzi, błędy halucynacyjne i ryzyka jakościowe. Zasady bezpiecznego oraz odpowiedzialnego korzystania z narzędzi wspieranych przez AI.
Warunki i sposób zaliczenia
Zaliczenie na ocenę na podstawie wykonania zadania laboratoryjnego z użyciem wybranego narzędzia oraz krótkiego komentarza krytycznego do wygenerowanego rozwiązania.
Oracle Database 26ai i OCI dla Data Sciencesemestr 1
Treści programowe
Wprowadzenie do Oracle Database 26ai i podstawowych usług Oracle Cloud Infrastructure używanych w Data Science. Połączenie z bazą z poziomu Pythona. Podstawowe operacje SQL: pobieranie, filtrowanie, zapis i odczyt danych. Tworzenie prostych tabel ćwiczeniowych. Przegląd konsoli OCI i usług związanych z pracą na danych.
Warunki i sposób zaliczenia
Zaliczenie na ocenę na podstawie zadań laboratoryjnych, w tym wykonania połączenia z bazą, przygotowania prostych zapytań SQL i zapisu danych do tabel.
Wprowadzenie do uczenia maszynowegosemestr 1
Treści programowe
Podstawowe pojęcia uczenia maszynowego. Uczenie nadzorowane (ang. supervised), nienadzorowane (ang. Unsupervised) oraz ze wzmocnieniem (ang. reinforcement learning). Regresja i klasyfikacja. Cechy, etykiety, zbiory treningowe i testowe. Podstawowe metryki jakości modeli. Typowe zastosowania ML w przemyśle i biznesie.
Warunki i sposób zaliczenia
Zaliczenie na ocenę na podstawie testu pisemnego oraz krótkiej analizy przykładowego problemu ML.
Algorytmy ML i walidacja modelisemestr 1
Treści programowe
Regresja liniowa i logistyczna, interpretacja wag modeli. k-NN, drzewa decyzyjne, lasy losowe. Overfitting i underfitting. Walidacja krzyżowa i dobór podstawowych parametrów modeli. Praktyczne porównywanie algorytmów na przykładach danych tablicowych.
Warunki i sposób zaliczenia
Zaliczenie na ocenę na podstawie laboratoriów, porównania wyników modeli oraz krótkiego raportu zawierającego interpretację wyników.
Machine Learning w Oracle Databasesemestr 1
Treści programowe
Wprowadzenie do Oracle Machine Learning i podejścia in-database ML. Ładowanie danych do Oracle Database. Uruchamianie prostych modeli bez opuszczania bazy. Porównanie wyników modeli uruchamianych w Pythonie i w środowisku Oracle. Wstęp do budowy prostych pipeline’ów analitycznych opartych o bazę danych.
Warunki i sposób zaliczenia
Zaliczenie na ocenę na podstawie zadań laboratoryjnych polegających na przygotowaniu danych, uruchomieniu modelu i interpretacji wyników.
Data Lakehouse i przygotowanie danych w OCIsemestr 2
Treści programowe
Data lake, data warehouse i data lakehouse – różnice i obszary zastosowań. Podstawowe elementy architektury danych w OCI. OCI Object Storage, warstwy danych, przygotowanie danych do analiz i modeli. Udostępnianie danych do Autonomous Data Warehouse i Oracle Database 26ai. Organizacja przepływu danych dla rozwiązań AI.
Warunki i sposób zaliczenia
Zaliczenie na ocenę na podstawie zadania polegającego na przygotowaniu prostego przepływu danych oraz krótkiego opisu architektury.
Sieci neuronowe i przetwarzanie wektorowesemestr 2
Treści programowe
Neuron, warstwa, perceptron, MLP. Funkcje aktywacji: ReLU, sigmoid, tanh. Intuicja propagacji wstecznej i regularizacji. Budowa prostego modelu klasyfikacyjnego. Wprowadzenie do reprezentacji wektorowych i ich zapisu w systemach bazodanowych. Wstęp do Vector Data Type w Oracle Database 26ai.
Warunki i sposób zaliczenia
Zaliczenie na ocenę na podstawie laboratorium z prostym modelem neuronowym oraz zadania polegającego na zapisaniu wyników lub prostych wektorów do bazy.
Deep Learning i modele sekwencyjnesemestr 2
Treści programowe
Głębokie sieci MLP, przegląd CNN, RNN, LSTM i GRU. Reprezentacja sekwencji i przejście od one-hot encoding do embeddingów. Prosty model sekwencyjny w Pythonie. Porównanie prostego modelu własnego z bardziej zaawansowanymi modelami dostępnymi jako usługi.
Warunki i sposób zaliczenia
Zaliczenie na ocenę na podstawie laboratoriów z modelem sekwencyjnym oraz krótkiego omówienia wyników.
LLM: architektury, trenowanie i ocena jakości modelisemestr 2
Treści programowe
Transformer, self-attention, multi-head attention. Encoder–decoder i decoder-only. Pre-training, fine-tuning, RLHF i alignowanie modeli. Ograniczenia modeli, bezpieczeństwo, halucynacje. Podstawowe metody oceny jakości odpowiedzi modeli językowych. Przykłady zastosowań LLM w biznesie i przemyśle.
Warunki i sposób zaliczenia
Zaliczenie na ocenę na podstawie testu, analizy przypadku oraz krótkiej pracy problemowej dotyczącej oceny jakości rozwiązania opartego na LLM.
Embeddings i Vector Data Type w Oracle Database 26aisemestr 2
Treści programowe
Embeddingi jako reprezentacje semantyczne danych tekstowych i innych typów danych. Generowanie embeddingów z wykorzystaniem usług OCI. Zapis embeddingów w kolumnach wektorowych Oracle Database 26ai. Podstawy wyszukiwania semantycznego i zapytań wektorowych. Budowa prostego mini-demo wyszukiwania dokumentów.
Warunki i sposób zaliczenia
Zaliczenie na ocenę na podstawie laboratorium polegającego na wygenerowaniu embeddingów, zapisaniu ich w bazie i uruchomieniu prostego wyszukiwania semantycznego.
RAG w ekosystemie Oracle i OCIsemestr 2
Treści programowe
Idea oddzielenia modelu od wiedzy domenowej. Pipeline RAG: chunking, embedding, indeksowanie, retrieval, budowa promptu z kontekstem. Strategie retrievalu, top-k, filtrowanie i podstawy rerankingu. Ocena jakości RAG: groundedness i faithfulness. Implementacja prostego pipeline’u RAG z użyciem OCI, Oracle Database 26ai i dokumentów źródłowych.
Warunki i sposób zaliczenia
Zaliczenie na ocenę na podstawie laboratoriów polegających na uruchomieniu prostego toku przetwarzania RAG oraz krótkiego raportu z oceną jakości uzyskanych odpowiedzi.
Agentic AI, MCP i A2A w systemach biznesowychsemestr 2
Treści programowe
Czym jest agent w kontekście LLM. Narzędzia, pamięć, planowanie i wykonywanie krok po kroku. Podstawy standaryzacji dostępu do narzędzi i kontekstu. Integracja aplikacja–aplikacja, przepływy A2A, scenariusze z udziałem ERP, systemów jakościowych i komponentów AI. Logowanie działań agenta, audyt i przejrzystość działania. Prosty scenariusz agentowy z użyciem bazy Oracle i komponentów retrievalu.
Warunki i sposób zaliczenia
Zaliczenie na ocenę na podstawie wykonania laboratorium integracyjnego oraz prezentacji przyjętego scenariusza działania agenta.
Projekt końcowy: architektura end-to-endsemestr 2
Treści programowe
Zajęcia integrujące wiedzę i umiejętności zdobyte podczas całego programu. Opracowanie koncepcji i wykonanie mini-projektu opartego na elementach stosu technologicznego programu, np. Oracle Database 26ai, OCI, ML, embeddings, RAG, agentach i integracji z systemem biznesowym. Dokumentacja techniczna, uzasadnienie przyjętych decyzji architektonicznych, przygotowanie prezentacji oraz projekt końcowy.
Warunki i sposób zaliczenia
Ocena końcowa na podstawie: oceny pracy końcowej (m.in. dokumentacji technicznej), oceny prezentacji projektu, ocena obrony rozwiązania, oceny pracy zespołowej oraz aktywności na zajęciach.
Nie znaleziono przedmiotów pasujących do wyszukiwania.
Aktualności
Najnowsze informacje dotyczące studiów, rekrutacji i organizacji zajęć.
🚀 Ruszyła strona studiów podyplomowych z obszaru sztucznej inteligencji!
Zapraszamy do miejsca, w którym zebraliśmy najważniejsze informacje o programie, organizacji zajęć, kadrze, rekrutacji oraz aktualnościach związanych ze studiami. Na stronie znajdziesz m.in.: Naszym celem jest praktyczne spojrzenie na sztuczną inteligencję i jej zastosowania — od fundamentów, przez narzędzia i modele, aż po rzeczywiste wykorzystanie AI w projektach i organizacjach. 📌 Zachęcamy do regularnego odwiedzania […]
Czytaj więcej →Rekrutacja
Zrób kolejny krok w rozwoju kompetencji AI
Sprawdź warunki rekrutacji i zgłoś się na najbliższą edycję studiów.