Program studiów

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.

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.