{"id":58,"date":"2026-08-08T10:59:13","date_gmt":"2026-08-08T08:59:13","guid":{"rendered":"https:\/\/www.mchtr.pw.edu.pl\/studia-podyplomowe-ai\/program\/"},"modified":"2026-08-08T10:59:13","modified_gmt":"2026-08-08T08:59:13","slug":"program","status":"publish","type":"page","link":"https:\/\/www.mchtr.pw.edu.pl\/studia-podyplomowe-ai\/program\/","title":{"rendered":"Program studi\u00f3w"},"content":{"rendered":"    <section class=\"aip-dynamic-section aip-program-section\">\n      <p class=\"aip-lead\">Wybierz semestr lub wyszukaj interesuj\u0105ce zagadnienie.<\/p>      <h2>Pe\u0142ny program studi\u00f3w<\/h2>      <div class=\"aip-course-tools\" data-aip-course-filter><label class=\"aip-search\"><span class=\"screen-reader-text\">Szukaj przedmiotu<\/span><input type=\"search\" placeholder=\"Szukaj: Python, RAG, Oracle\u2026\" data-course-search><span aria-hidden=\"true\">\u2315<\/span><\/label><div class=\"aip-filter-buttons\" role=\"group\" aria-label=\"Filtr semestru\"><button class=\"aip-filter is-active\" type=\"button\" data-semester=\"all\" aria-pressed=\"true\">Wszystkie<\/button><button class=\"aip-filter\" type=\"button\" data-semester=\"1\" aria-pressed=\"false\">Semestr 1<\/button><button class=\"aip-filter\" type=\"button\" data-semester=\"2\" aria-pressed=\"false\">Semestr 2<\/button><\/div><p class=\"aip-result-count\" aria-live=\"polite\"><strong data-result-count>16<\/strong> przedmiot\u00f3w<\/p><\/div>\n      <div class=\"aip-course-list\" data-course-list>\n              <details class=\"aip-details aip-course\" data-semester=\"1\" data-search=\"Algebra liniowa dla AI Wektory, normy, iloczyn skalarny. Macierze, mno\u017cenie macierzy, transpozycja, interpretacja geometryczna podstawowych operacji liniowych. Uk\u0142ady r\u00f3wna\u0144 liniowych i ich intuicyjny zwi\u0105zek z modelowaniem danych. Wprowadzenie do poj\u0119\u0107 wykorzystywanych p\u00f3\u017aniej w uczeniu maszynowym, w szczeg\u00f3lno\u015bci do reprezentacji cech i parametr\u00f3w modeli. Proste przyk\u0142ady zastosowania algebry liniowej w regresji liniowej. Wyk\u0142ad 6 godzin + \u0106wiczenia 6 godzin = 12 godz. (zdalnie: Wyk\u0142ad 6 godzin) Zaliczenie na ocen\u0119 na podstawie testu pisemnego oraz zada\u0144 rachunkowych wykonywanych na \u0107wiczeniach. Warunkiem zaliczenia jest uzyskanie co najmniej 50% punkt\u00f3w oraz poprawne rozwi\u0105zanie podstawowych zada\u0144 dotycz\u0105cych wektor\u00f3w i macierzy. stacjonarny\/zdalny\"><summary><span>Algebra liniowa dla AI<\/span><span class=\"aip-chip\">semestr 1<\/span><\/summary><div class=\"aip-details__body\">\n                    <div class=\"aip-details__meta\"><span class=\"aip-chip\">stacjonarny\/zdalny<\/span><span class=\"aip-chip\">2 ECTS (1 ECTS zdalny)<\/span><span class=\"aip-chip\">12 godz.<\/span><span class=\"aip-chip\">Wyk\u0142ad 6 godzin + \u0106wiczenia 6 godzin = 12 godz. (zdalnie: Wyk\u0142ad 6 godzin)<\/span><\/div>\n          <h3>Tre\u015bci programowe<\/h3><div class=\"aip-richtext\"><p>Wektory, normy, iloczyn skalarny. Macierze, mno\u017cenie macierzy, transpozycja, interpretacja geometryczna podstawowych operacji liniowych. Uk\u0142ady r\u00f3wna\u0144 liniowych i ich intuicyjny zwi\u0105zek z modelowaniem danych. Wprowadzenie do poj\u0119\u0107 wykorzystywanych p\u00f3\u017aniej w uczeniu maszynowym, w szczeg\u00f3lno\u015bci do reprezentacji cech i parametr\u00f3w modeli. Proste przyk\u0142ady zastosowania algebry liniowej w regresji liniowej.<\/p>\n<\/div>          <h3>Warunki i spos\u00f3b zaliczenia<\/h3><p>Zaliczenie na ocen\u0119 na podstawie testu pisemnego oraz zada\u0144 rachunkowych wykonywanych na \u0107wiczeniach. Warunkiem zaliczenia jest uzyskanie co najmniej 50% punkt\u00f3w oraz poprawne rozwi\u0105zanie podstawowych zada\u0144 dotycz\u0105cych wektor\u00f3w i macierzy.<\/p>        <\/div><\/details>\n              <details class=\"aip-details aip-course\" data-semester=\"1\" data-search=\"Optymalizacja i rachunek r\u00f3\u017cniczkowy w uczeniu maszynowym Poj\u0119cie 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 poj\u0119cie regularizacji. Metoda najwi\u0119kszego spadku i intuicja optymalizacji modeli ML. Wyk\u0142ad 6 godzin + \u0106wiczenia 6 godzin = 12 godz. Zaliczenie na ocen\u0119 na podstawie kr\u00f3tkiego testu, zada\u0144 \u0107wiczeniowych oraz rozwi\u0105zania prostego problemu optymalizacyjnego. zdalny\"><summary><span>Optymalizacja i rachunek r\u00f3\u017cniczkowy w uczeniu maszynowym<\/span><span class=\"aip-chip\">semestr 1<\/span><\/summary><div class=\"aip-details__body\">\n                    <div class=\"aip-details__meta\"><span class=\"aip-chip\">zdalny<\/span><span class=\"aip-chip\">1 ECTS (1 ECTS zdalny)<\/span><span class=\"aip-chip\">12 godz.<\/span><span class=\"aip-chip\">Wyk\u0142ad 6 godzin + \u0106wiczenia 6 godzin = 12 godz.<\/span><\/div>\n          <h3>Tre\u015bci programowe<\/h3><div class=\"aip-richtext\"><p>Poj\u0119cie 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 poj\u0119cie regularizacji. Metoda najwi\u0119kszego spadku i intuicja optymalizacji modeli ML.<\/p>\n<\/div>          <h3>Warunki i spos\u00f3b zaliczenia<\/h3><p>Zaliczenie na ocen\u0119 na podstawie kr\u00f3tkiego testu, zada\u0144 \u0107wiczeniowych oraz rozwi\u0105zania prostego problemu optymalizacyjnego.<\/p>        <\/div><\/details>\n              <details class=\"aip-details aip-course\" data-semester=\"1\" data-search=\"Python, Jupyter i NumPy w pracy AI Engineer Organizacja pracy w \u015brodowisku Python i Jupyter Notebook. Przygotowanie \u015brodowiska obliczeniowego lokalnie i w chmurze. Operacje na tablicach i macierzach z wykorzystaniem NumPy. Wizualizacja wynik\u00f3w oblicze\u0144. Dobre praktyki tworzenia notebook\u00f3w analitycznych. Podstawy przygotowania kodu do dalszej integracji z baz\u0105 danych i us\u0142ugami OCI. Wyk\u0142ad 4 godzin + Laboratorium 12 godzin = 16 godz. (zdalnie: Wyk\u0142ad 4 godziny) Zaliczenie na ocen\u0119 na podstawie wykonania zada\u0144 laboratoryjnych w notebookach oraz oddania kr\u00f3tkiego notebooka rozwi\u0105zuj\u0105cego wskazany problem obliczeniowy. stacjonarny\/zdalny\"><summary><span>Python, Jupyter i NumPy w pracy AI Engineer<\/span><span class=\"aip-chip\">semestr 1<\/span><\/summary><div class=\"aip-details__body\">\n                    <div class=\"aip-details__meta\"><span class=\"aip-chip\">stacjonarny\/zdalny<\/span><span class=\"aip-chip\">2 ECTS (1 ECTS zdalny)<\/span><span class=\"aip-chip\">16 godz.<\/span><span class=\"aip-chip\">Wyk\u0142ad 4 godzin + Laboratorium 12 godzin = 16 godz. (zdalnie: Wyk\u0142ad 4 godziny)<\/span><\/div>\n          <h3>Tre\u015bci programowe<\/h3><div class=\"aip-richtext\"><p>Organizacja pracy w \u015brodowisku Python i Jupyter Notebook. Przygotowanie \u015brodowiska obliczeniowego lokalnie i w chmurze. Operacje na tablicach i macierzach z wykorzystaniem NumPy. Wizualizacja wynik\u00f3w oblicze\u0144. Dobre praktyki tworzenia notebook\u00f3w analitycznych. Podstawy przygotowania kodu do dalszej integracji z baz\u0105 danych i us\u0142ugami OCI.<\/p>\n<\/div>          <h3>Warunki i spos\u00f3b zaliczenia<\/h3><p>Zaliczenie na ocen\u0119 na podstawie wykonania zada\u0144 laboratoryjnych w notebookach oraz oddania kr\u00f3tkiego notebooka rozwi\u0105zuj\u0105cego wskazany problem obliczeniowy.<\/p>        <\/div><\/details>\n              <details class=\"aip-details aip-course\" data-semester=\"1\" data-search=\"Nowoczesne narz\u0119dzia programistyczne i Code Assist Przegl\u0105d wsp\u00f3\u0142czesnych narz\u0119dzi wspomagaj\u0105cych tworzenie kodu i zapyta\u0144, w tym narz\u0119dzi klasy Code Assist. Zastosowanie asystent\u00f3w AI przy tworzeniu skrypt\u00f3w Python, zapyta\u0144 SQL i dokumentacji technicznej. Ograniczenia takich narz\u0119dzi, b\u0142\u0119dy halucynacyjne i ryzyka jako\u015bciowe. Zasady bezpiecznego oraz odpowiedzialnego korzystania z narz\u0119dzi wspieranych przez AI. Wyk\u0142ad 2 godziny + Laboratorium 6 godzin = 8 godz. Zaliczenie na ocen\u0119 na podstawie wykonania zadania laboratoryjnego z u\u017cyciem wybranego narz\u0119dzia oraz kr\u00f3tkiego komentarza krytycznego do wygenerowanego rozwi\u0105zania. stacjonarny\"><summary><span>Nowoczesne narz\u0119dzia programistyczne i Code Assist<\/span><span class=\"aip-chip\">semestr 1<\/span><\/summary><div class=\"aip-details__body\">\n                    <div class=\"aip-details__meta\"><span class=\"aip-chip\">stacjonarny<\/span><span class=\"aip-chip\">1 ECTS<\/span><span class=\"aip-chip\">8 godz.<\/span><span class=\"aip-chip\">Wyk\u0142ad 2 godziny + Laboratorium 6 godzin = 8 godz.<\/span><\/div>\n          <h3>Tre\u015bci programowe<\/h3><div class=\"aip-richtext\"><p>Przegl\u0105d wsp\u00f3\u0142czesnych narz\u0119dzi wspomagaj\u0105cych tworzenie kodu i zapyta\u0144, w tym narz\u0119dzi klasy Code Assist. Zastosowanie asystent\u00f3w AI przy tworzeniu skrypt\u00f3w Python, zapyta\u0144 SQL i dokumentacji technicznej. Ograniczenia takich narz\u0119dzi, b\u0142\u0119dy halucynacyjne i ryzyka jako\u015bciowe. Zasady bezpiecznego oraz odpowiedzialnego korzystania z narz\u0119dzi wspieranych przez AI.<\/p>\n<\/div>          <h3>Warunki i spos\u00f3b zaliczenia<\/h3><p>Zaliczenie na ocen\u0119 na podstawie wykonania zadania laboratoryjnego z u\u017cyciem wybranego narz\u0119dzia oraz kr\u00f3tkiego komentarza krytycznego do wygenerowanego rozwi\u0105zania.<\/p>        <\/div><\/details>\n              <details class=\"aip-details aip-course\" data-semester=\"1\" data-search=\"Oracle Database 26ai i OCI dla Data Science Wprowadzenie do Oracle Database 26ai i podstawowych us\u0142ug Oracle Cloud Infrastructure u\u017cywanych w Data Science. Po\u0142\u0105czenie z baz\u0105 z poziomu Pythona. Podstawowe operacje SQL: pobieranie, filtrowanie, zapis i odczyt danych. Tworzenie prostych tabel \u0107wiczeniowych. Przegl\u0105d konsoli OCI i us\u0142ug zwi\u0105zanych z prac\u0105 na danych. Wyk\u0142ad 4 godzin + Laboratorium 12 godzin = 16 godz. (zdalnie: Wyk\u0142ad 4 godziny) Zaliczenie na ocen\u0119 na podstawie zada\u0144 laboratoryjnych, w tym wykonania po\u0142\u0105czenia z baz\u0105, przygotowania prostych zapyta\u0144 SQL i zapisu danych do tabel. stacjonarny\/zdalny\"><summary><span>Oracle Database 26ai i OCI dla Data Science<\/span><span class=\"aip-chip\">semestr 1<\/span><\/summary><div class=\"aip-details__body\">\n                    <div class=\"aip-details__meta\"><span class=\"aip-chip\">stacjonarny\/zdalny<\/span><span class=\"aip-chip\">2 ECTS (1 ECTS zdalny)<\/span><span class=\"aip-chip\">16 godz.<\/span><span class=\"aip-chip\">Wyk\u0142ad 4 godzin + Laboratorium 12 godzin = 16 godz. (zdalnie: Wyk\u0142ad 4 godziny)<\/span><\/div>\n          <h3>Tre\u015bci programowe<\/h3><div class=\"aip-richtext\"><p>Wprowadzenie do Oracle Database 26ai i podstawowych us\u0142ug Oracle Cloud Infrastructure u\u017cywanych w Data Science. Po\u0142\u0105czenie z baz\u0105 z poziomu Pythona. Podstawowe operacje SQL: pobieranie, filtrowanie, zapis i odczyt danych. Tworzenie prostych tabel \u0107wiczeniowych. Przegl\u0105d konsoli OCI i us\u0142ug zwi\u0105zanych z prac\u0105 na danych.<\/p>\n<\/div>          <h3>Warunki i spos\u00f3b zaliczenia<\/h3><p>Zaliczenie na ocen\u0119 na podstawie zada\u0144 laboratoryjnych, w tym wykonania po\u0142\u0105czenia z baz\u0105, przygotowania prostych zapyta\u0144 SQL i zapisu danych do tabel.<\/p>        <\/div><\/details>\n              <details class=\"aip-details aip-course\" data-semester=\"1\" data-search=\"Wprowadzenie do uczenia maszynowego Podstawowe poj\u0119cia 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 jako\u015bci modeli. Typowe zastosowania ML w przemy\u015ble i biznesie. Wyk\u0142ad 8 godzin + \u0106wiczenia 4 godzin = 12 godz. (zdalnie: Wyk\u0142ad 8 godzin) Zaliczenie na ocen\u0119 na podstawie testu pisemnego oraz kr\u00f3tkiej analizy przyk\u0142adowego problemu ML. stacjonarny\/zdalny\"><summary><span>Wprowadzenie do uczenia maszynowego<\/span><span class=\"aip-chip\">semestr 1<\/span><\/summary><div class=\"aip-details__body\">\n                    <div class=\"aip-details__meta\"><span class=\"aip-chip\">stacjonarny\/zdalny<\/span><span class=\"aip-chip\">2 ECTS (1 ECTS zdalny)<\/span><span class=\"aip-chip\">12 godz.<\/span><span class=\"aip-chip\">Wyk\u0142ad 8 godzin + \u0106wiczenia 4 godzin = 12 godz. (zdalnie: Wyk\u0142ad 8 godzin)<\/span><\/div>\n          <h3>Tre\u015bci programowe<\/h3><div class=\"aip-richtext\"><p>Podstawowe poj\u0119cia 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 jako\u015bci modeli. Typowe zastosowania ML w przemy\u015ble i biznesie.<\/p>\n<\/div>          <h3>Warunki i spos\u00f3b zaliczenia<\/h3><p>Zaliczenie na ocen\u0119 na podstawie testu pisemnego oraz kr\u00f3tkiej analizy przyk\u0142adowego problemu ML.<\/p>        <\/div><\/details>\n              <details class=\"aip-details aip-course\" data-semester=\"1\" data-search=\"Algorytmy ML i walidacja modeli Regresja liniowa i logistyczna, interpretacja wag modeli. k-NN, drzewa decyzyjne, lasy losowe. Overfitting i underfitting. Walidacja krzy\u017cowa i dob\u00f3r podstawowych parametr\u00f3w modeli. Praktyczne por\u00f3wnywanie algorytm\u00f3w na przyk\u0142adach danych tablicowych. Wyk\u0142ad 6 godzin + Laboratorium 10 godzin = 24 godz. (zdalnie: Wyk\u0142ad 6 godzin) Zaliczenie na ocen\u0119 na podstawie laboratori\u00f3w, por\u00f3wnania wynik\u00f3w modeli oraz kr\u00f3tkiego raportu zawieraj\u0105cego interpretacj\u0119 wynik\u00f3w. stacjonarny\/zdalny\"><summary><span>Algorytmy ML i walidacja modeli<\/span><span class=\"aip-chip\">semestr 1<\/span><\/summary><div class=\"aip-details__body\">\n                    <div class=\"aip-details__meta\"><span class=\"aip-chip\">stacjonarny\/zdalny<\/span><span class=\"aip-chip\">3 ECTS (1 ECTS zdalny)<\/span><span class=\"aip-chip\">16 godz.<\/span><span class=\"aip-chip\">Wyk\u0142ad 6 godzin + Laboratorium 10 godzin = 24 godz. (zdalnie: Wyk\u0142ad 6 godzin)<\/span><\/div>\n          <h3>Tre\u015bci programowe<\/h3><div class=\"aip-richtext\"><p>Regresja liniowa i logistyczna, interpretacja wag modeli. k-NN, drzewa decyzyjne, lasy losowe. Overfitting i underfitting. Walidacja krzy\u017cowa i dob\u00f3r podstawowych parametr\u00f3w modeli. Praktyczne por\u00f3wnywanie algorytm\u00f3w na przyk\u0142adach danych tablicowych.<\/p>\n<\/div>          <h3>Warunki i spos\u00f3b zaliczenia<\/h3><p>Zaliczenie na ocen\u0119 na podstawie laboratori\u00f3w, por\u00f3wnania wynik\u00f3w modeli oraz kr\u00f3tkiego raportu zawieraj\u0105cego interpretacj\u0119 wynik\u00f3w.<\/p>        <\/div><\/details>\n              <details class=\"aip-details aip-course\" data-semester=\"1\" data-search=\"Machine Learning w Oracle Database Wprowadzenie do Oracle Machine Learning i podej\u015bcia in-database ML. \u0141adowanie danych do Oracle Database. Uruchamianie prostych modeli bez opuszczania bazy. Por\u00f3wnanie wynik\u00f3w modeli uruchamianych w Pythonie i w \u015brodowisku Oracle. Wst\u0119p do budowy prostych pipeline\u2019\u00f3w analitycznych opartych o baz\u0119 danych. Wyk\u0142ad 4 godzin + Laboratorium 8 godzin = 12 godz. (zdalnie: Wyk\u0142ad 4 godziny) Zaliczenie na ocen\u0119 na podstawie zada\u0144 laboratoryjnych polegaj\u0105cych na przygotowaniu danych, uruchomieniu modelu i interpretacji wynik\u00f3w. stacjonarny\/zdalny\"><summary><span>Machine Learning w Oracle Database<\/span><span class=\"aip-chip\">semestr 1<\/span><\/summary><div class=\"aip-details__body\">\n                    <div class=\"aip-details__meta\"><span class=\"aip-chip\">stacjonarny\/zdalny<\/span><span class=\"aip-chip\">2 ECTS (1 ECTS zdalny)<\/span><span class=\"aip-chip\">12 godz.<\/span><span class=\"aip-chip\">Wyk\u0142ad 4 godzin + Laboratorium 8 godzin = 12 godz. (zdalnie: Wyk\u0142ad 4 godziny)<\/span><\/div>\n          <h3>Tre\u015bci programowe<\/h3><div class=\"aip-richtext\"><p>Wprowadzenie do Oracle Machine Learning i podej\u015bcia in-database ML. \u0141adowanie danych do Oracle Database. Uruchamianie prostych modeli bez opuszczania bazy. Por\u00f3wnanie wynik\u00f3w modeli uruchamianych w Pythonie i w \u015brodowisku Oracle. Wst\u0119p do budowy prostych pipeline\u2019\u00f3w analitycznych opartych o baz\u0119 danych.<\/p>\n<\/div>          <h3>Warunki i spos\u00f3b zaliczenia<\/h3><p>Zaliczenie na ocen\u0119 na podstawie zada\u0144 laboratoryjnych polegaj\u0105cych na przygotowaniu danych, uruchomieniu modelu i interpretacji wynik\u00f3w.<\/p>        <\/div><\/details>\n              <details class=\"aip-details aip-course\" data-semester=\"2\" data-search=\"Data Lakehouse i przygotowanie danych w OCI Data lake, data warehouse i data lakehouse \u2013 r\u00f3\u017cnice i obszary zastosowa\u0144. Podstawowe elementy architektury danych w OCI. OCI Object Storage, warstwy danych, przygotowanie danych do analiz i modeli. Udost\u0119pnianie danych do Autonomous Data Warehouse i Oracle Database 26ai. Organizacja przep\u0142ywu danych dla rozwi\u0105za\u0144 AI. Wyk\u0142ad 4 godzin + Laboratorium 4 godzin = 8 godz. Zaliczenie na ocen\u0119 na podstawie zadania polegaj\u0105cego na przygotowaniu prostego przep\u0142ywu danych oraz kr\u00f3tkiego opisu architektury. stacjonarny\"><summary><span>Data Lakehouse i przygotowanie danych w OCI<\/span><span class=\"aip-chip\">semestr 2<\/span><\/summary><div class=\"aip-details__body\">\n                    <div class=\"aip-details__meta\"><span class=\"aip-chip\">stacjonarny<\/span><span class=\"aip-chip\">1 ECTS<\/span><span class=\"aip-chip\">8 godz.<\/span><span class=\"aip-chip\">Wyk\u0142ad 4 godzin + Laboratorium 4 godzin = 8 godz.<\/span><\/div>\n          <h3>Tre\u015bci programowe<\/h3><div class=\"aip-richtext\"><p>Data lake, data warehouse i data lakehouse \u2013 r\u00f3\u017cnice i obszary zastosowa\u0144. Podstawowe elementy architektury danych w OCI. OCI Object Storage, warstwy danych, przygotowanie danych do analiz i modeli. Udost\u0119pnianie danych do Autonomous Data Warehouse i Oracle Database 26ai. Organizacja przep\u0142ywu danych dla rozwi\u0105za\u0144 AI.<\/p>\n<\/div>          <h3>Warunki i spos\u00f3b zaliczenia<\/h3><p>Zaliczenie na ocen\u0119 na podstawie zadania polegaj\u0105cego na przygotowaniu prostego przep\u0142ywu danych oraz kr\u00f3tkiego opisu architektury.<\/p>        <\/div><\/details>\n              <details class=\"aip-details aip-course\" data-semester=\"2\" data-search=\"Sieci neuronowe i przetwarzanie wektorowe 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. Wst\u0119p do Vector Data Type w Oracle Database 26ai. Wyk\u0142ad 4 godzin + Laboratorium 8 godzin = 12 godz. (zdalnie: Wyk\u0142ad 4 godziny) Zaliczenie na ocen\u0119 na podstawie laboratorium z prostym modelem neuronowym oraz zadania polegaj\u0105cego na zapisaniu wynik\u00f3w lub prostych wektor\u00f3w do bazy. stacjonarny\/zdalny\"><summary><span>Sieci neuronowe i przetwarzanie wektorowe<\/span><span class=\"aip-chip\">semestr 2<\/span><\/summary><div class=\"aip-details__body\">\n                    <div class=\"aip-details__meta\"><span class=\"aip-chip\">stacjonarny\/zdalny<\/span><span class=\"aip-chip\">2 ECTS (1 ECTS zdalny)<\/span><span class=\"aip-chip\">12 godz.<\/span><span class=\"aip-chip\">Wyk\u0142ad 4 godzin + Laboratorium 8 godzin = 12 godz. (zdalnie: Wyk\u0142ad 4 godziny)<\/span><\/div>\n          <h3>Tre\u015bci programowe<\/h3><div class=\"aip-richtext\"><p>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. Wst\u0119p do Vector Data Type w Oracle Database 26ai.<\/p>\n<\/div>          <h3>Warunki i spos\u00f3b zaliczenia<\/h3><p>Zaliczenie na ocen\u0119 na podstawie laboratorium z prostym modelem neuronowym oraz zadania polegaj\u0105cego na zapisaniu wynik\u00f3w lub prostych wektor\u00f3w do bazy.<\/p>        <\/div><\/details>\n              <details class=\"aip-details aip-course\" data-semester=\"2\" data-search=\"Deep Learning i modele sekwencyjne G\u0142\u0119bokie sieci MLP, przegl\u0105d CNN, RNN, LSTM i GRU. Reprezentacja sekwencji i przej\u015bcie od one-hot encoding do embedding\u00f3w. Prosty model sekwencyjny w Pythonie. Por\u00f3wnanie prostego modelu w\u0142asnego z bardziej zaawansowanymi modelami dost\u0119pnymi jako us\u0142ugi. Wyk\u0142ad 4 godzin + Laboratorium 8 godzin = 12 godz. (zdalnie: Wyk\u0142ad 4 godziny) Zaliczenie na ocen\u0119 na podstawie laboratori\u00f3w z modelem sekwencyjnym oraz kr\u00f3tkiego om\u00f3wienia wynik\u00f3w. stacjonarny\/zdalny\"><summary><span>Deep Learning i modele sekwencyjne<\/span><span class=\"aip-chip\">semestr 2<\/span><\/summary><div class=\"aip-details__body\">\n                    <div class=\"aip-details__meta\"><span class=\"aip-chip\">stacjonarny\/zdalny<\/span><span class=\"aip-chip\">2 ECTS (1 ECTS zdalny)<\/span><span class=\"aip-chip\">12 godz.<\/span><span class=\"aip-chip\">Wyk\u0142ad 4 godzin + Laboratorium 8 godzin = 12 godz. (zdalnie: Wyk\u0142ad 4 godziny)<\/span><\/div>\n          <h3>Tre\u015bci programowe<\/h3><div class=\"aip-richtext\"><p>G\u0142\u0119bokie sieci MLP, przegl\u0105d CNN, RNN, LSTM i GRU. Reprezentacja sekwencji i przej\u015bcie od one-hot encoding do embedding\u00f3w. Prosty model sekwencyjny w Pythonie. Por\u00f3wnanie prostego modelu w\u0142asnego z bardziej zaawansowanymi modelami dost\u0119pnymi jako us\u0142ugi.<\/p>\n<\/div>          <h3>Warunki i spos\u00f3b zaliczenia<\/h3><p>Zaliczenie na ocen\u0119 na podstawie laboratori\u00f3w z modelem sekwencyjnym oraz kr\u00f3tkiego om\u00f3wienia wynik\u00f3w.<\/p>        <\/div><\/details>\n              <details class=\"aip-details aip-course\" data-semester=\"2\" data-search=\"LLM: architektury, trenowanie i ocena jako\u015bci modeli Transformer, self-attention, multi-head attention. Encoder\u2013decoder i decoder-only. Pre-training, fine-tuning, RLHF i alignowanie modeli. Ograniczenia modeli, bezpiecze\u0144stwo, halucynacje. Podstawowe metody oceny jako\u015bci odpowiedzi modeli j\u0119zykowych. Przyk\u0142ady zastosowa\u0144 LLM w biznesie i przemy\u015ble. Wyk\u0142ad 8 godzin + \u0106wiczenia 8 godzin = 16 godz. (zdalnie: Wyk\u0142ad 8 godzin) Zaliczenie na ocen\u0119 na podstawie testu, analizy przypadku oraz kr\u00f3tkiej pracy problemowej dotycz\u0105cej oceny jako\u015bci rozwi\u0105zania opartego na LLM. stacjonarny\/zdalny\"><summary><span>LLM: architektury, trenowanie i ocena jako\u015bci modeli<\/span><span class=\"aip-chip\">semestr 2<\/span><\/summary><div class=\"aip-details__body\">\n                    <div class=\"aip-details__meta\"><span class=\"aip-chip\">stacjonarny\/zdalny<\/span><span class=\"aip-chip\">3 ECTS (1 ECTS zdalny)<\/span><span class=\"aip-chip\">16 godz.<\/span><span class=\"aip-chip\">Wyk\u0142ad 8 godzin + \u0106wiczenia 8 godzin = 16 godz. (zdalnie: Wyk\u0142ad 8 godzin)<\/span><\/div>\n          <h3>Tre\u015bci programowe<\/h3><div class=\"aip-richtext\"><p>Transformer, self-attention, multi-head attention. Encoder\u2013decoder i decoder-only. Pre-training, fine-tuning, RLHF i alignowanie modeli. Ograniczenia modeli, bezpiecze\u0144stwo, halucynacje. Podstawowe metody oceny jako\u015bci odpowiedzi modeli j\u0119zykowych. Przyk\u0142ady zastosowa\u0144 LLM w biznesie i przemy\u015ble.<\/p>\n<\/div>          <h3>Warunki i spos\u00f3b zaliczenia<\/h3><p>Zaliczenie na ocen\u0119 na podstawie testu, analizy przypadku oraz kr\u00f3tkiej pracy problemowej dotycz\u0105cej oceny jako\u015bci rozwi\u0105zania opartego na LLM.<\/p>        <\/div><\/details>\n              <details class=\"aip-details aip-course\" data-semester=\"2\" data-search=\"Embeddings i Vector Data Type w Oracle Database 26ai Embeddingi jako reprezentacje semantyczne danych tekstowych i innych typ\u00f3w danych. Generowanie embedding\u00f3w z wykorzystaniem us\u0142ug OCI. Zapis embedding\u00f3w w kolumnach wektorowych Oracle Database 26ai. Podstawy wyszukiwania semantycznego i zapyta\u0144 wektorowych. Budowa prostego mini-demo wyszukiwania dokument\u00f3w. Wyk\u0142ad 4 godzin + Laboratorium 8 godzin = 12 godz. (zdalnie: Wyk\u0142ad 4 godziny) Zaliczenie na ocen\u0119 na podstawie laboratorium polegaj\u0105cego na wygenerowaniu embedding\u00f3w, zapisaniu ich w bazie i uruchomieniu prostego wyszukiwania semantycznego. stacjonarny\/zdalny\"><summary><span>Embeddings i Vector Data Type w Oracle Database 26ai<\/span><span class=\"aip-chip\">semestr 2<\/span><\/summary><div class=\"aip-details__body\">\n                    <div class=\"aip-details__meta\"><span class=\"aip-chip\">stacjonarny\/zdalny<\/span><span class=\"aip-chip\">2 ECTS (1 ECTS zdalny)<\/span><span class=\"aip-chip\">12 godz.<\/span><span class=\"aip-chip\">Wyk\u0142ad 4 godzin + Laboratorium 8 godzin = 12 godz. (zdalnie: Wyk\u0142ad 4 godziny)<\/span><\/div>\n          <h3>Tre\u015bci programowe<\/h3><div class=\"aip-richtext\"><p>Embeddingi jako reprezentacje semantyczne danych tekstowych i innych typ\u00f3w danych. Generowanie embedding\u00f3w z wykorzystaniem us\u0142ug OCI. Zapis embedding\u00f3w w kolumnach wektorowych Oracle Database 26ai. Podstawy wyszukiwania semantycznego i zapyta\u0144 wektorowych. Budowa prostego mini-demo wyszukiwania dokument\u00f3w.<\/p>\n<\/div>          <h3>Warunki i spos\u00f3b zaliczenia<\/h3><p>Zaliczenie na ocen\u0119 na podstawie laboratorium polegaj\u0105cego na wygenerowaniu embedding\u00f3w, zapisaniu ich w bazie i uruchomieniu prostego wyszukiwania semantycznego.<\/p>        <\/div><\/details>\n              <details class=\"aip-details aip-course\" data-semester=\"2\" data-search=\"RAG w ekosystemie Oracle i OCI 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 jako\u015bci RAG: groundedness i faithfulness. Implementacja prostego pipeline\u2019u RAG z u\u017cyciem OCI, Oracle Database 26ai i dokument\u00f3w \u017ar\u00f3d\u0142owych. Wyk\u0142ad 6 godzin + Laboratorium 10 godzin = 16 godz.(zdalnie: Wyk\u0142ad 6 godzin) Zaliczenie na ocen\u0119 na podstawie laboratori\u00f3w polegaj\u0105cych na uruchomieniu prostego toku przetwarzania RAG oraz kr\u00f3tkiego raportu z ocen\u0105 jako\u015bci uzyskanych odpowiedzi. stacjonarny\/zdalny\"><summary><span>RAG w ekosystemie Oracle i OCI<\/span><span class=\"aip-chip\">semestr 2<\/span><\/summary><div class=\"aip-details__body\">\n                    <div class=\"aip-details__meta\"><span class=\"aip-chip\">stacjonarny\/zdalny<\/span><span class=\"aip-chip\">2 ECTS (1 ECTS zdalny)<\/span><span class=\"aip-chip\">16 godz.<\/span><span class=\"aip-chip\">Wyk\u0142ad 6 godzin + Laboratorium 10 godzin = 16 godz.(zdalnie: Wyk\u0142ad 6 godzin)<\/span><\/div>\n          <h3>Tre\u015bci programowe<\/h3><div class=\"aip-richtext\"><p>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 jako\u015bci RAG: groundedness i faithfulness. Implementacja prostego pipeline\u2019u RAG z u\u017cyciem OCI, Oracle Database 26ai i dokument\u00f3w \u017ar\u00f3d\u0142owych.<\/p>\n<\/div>          <h3>Warunki i spos\u00f3b zaliczenia<\/h3><p>Zaliczenie na ocen\u0119 na podstawie laboratori\u00f3w polegaj\u0105cych na uruchomieniu prostego toku przetwarzania RAG oraz kr\u00f3tkiego raportu z ocen\u0105 jako\u015bci uzyskanych odpowiedzi.<\/p>        <\/div><\/details>\n              <details class=\"aip-details aip-course\" data-semester=\"2\" data-search=\"Agentic AI, MCP i A2A w systemach biznesowych Czym jest agent w kontek\u015bcie LLM. Narz\u0119dzia, pami\u0119\u0107, planowanie i wykonywanie krok po kroku. Podstawy standaryzacji dost\u0119pu do narz\u0119dzi i kontekstu. Integracja aplikacja\u2013aplikacja, przep\u0142ywy A2A, scenariusze z udzia\u0142em ERP, system\u00f3w jako\u015bciowych i komponent\u00f3w AI. Logowanie dzia\u0142a\u0144 agenta, audyt i przejrzysto\u015b\u0107 dzia\u0142ania. Prosty scenariusz agentowy z u\u017cyciem bazy Oracle i komponent\u00f3w retrievalu. Wyk\u0142ad 4 godziny + Laboratorium 4 godzin = 8 godz. Zaliczenie na ocen\u0119 na podstawie wykonania laboratorium integracyjnego oraz prezentacji przyj\u0119tego scenariusza dzia\u0142ania agenta. stacjonarny\"><summary><span>Agentic AI, MCP i A2A w systemach biznesowych<\/span><span class=\"aip-chip\">semestr 2<\/span><\/summary><div class=\"aip-details__body\">\n                    <div class=\"aip-details__meta\"><span class=\"aip-chip\">stacjonarny<\/span><span class=\"aip-chip\">1 ECTS<\/span><span class=\"aip-chip\">8 godz.<\/span><span class=\"aip-chip\">Wyk\u0142ad 4 godziny + Laboratorium 4 godzin = 8 godz.<\/span><\/div>\n          <h3>Tre\u015bci programowe<\/h3><div class=\"aip-richtext\"><p>Czym jest agent w kontek\u015bcie LLM. Narz\u0119dzia, pami\u0119\u0107, planowanie i wykonywanie krok po kroku. Podstawy standaryzacji dost\u0119pu do narz\u0119dzi i kontekstu. Integracja aplikacja\u2013aplikacja, przep\u0142ywy A2A, scenariusze z udzia\u0142em ERP, system\u00f3w jako\u015bciowych i komponent\u00f3w AI. Logowanie dzia\u0142a\u0144 agenta, audyt i przejrzysto\u015b\u0107 dzia\u0142ania. Prosty scenariusz agentowy z u\u017cyciem bazy Oracle i komponent\u00f3w retrievalu.<\/p>\n<\/div>          <h3>Warunki i spos\u00f3b zaliczenia<\/h3><p>Zaliczenie na ocen\u0119 na podstawie wykonania laboratorium integracyjnego oraz prezentacji przyj\u0119tego scenariusza dzia\u0142ania agenta.<\/p>        <\/div><\/details>\n              <details class=\"aip-details aip-course\" data-semester=\"2\" data-search=\"Projekt ko\u0144cowy: architektura end-to-end Zaj\u0119cia integruj\u0105ce wiedz\u0119 i umiej\u0119tno\u015bci zdobyte podczas ca\u0142ego 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 przyj\u0119tych decyzji architektonicznych, przygotowanie prezentacji oraz projekt ko\u0144cowy. Laboratorium 8 godzin + Projekt 8 godzin = 16 godz. Ocena ko\u0144cowa na podstawie: oceny pracy ko\u0144cowej (m.in. dokumentacji technicznej), oceny prezentacji projektu, ocena obrony rozwi\u0105zania, oceny pracy zespo\u0142owej oraz aktywno\u015bci na zaj\u0119ciach. stacjonarny\"><summary><span>Projekt ko\u0144cowy: architektura end-to-end<\/span><span class=\"aip-chip\">semestr 2<\/span><\/summary><div class=\"aip-details__body\">\n                    <div class=\"aip-details__meta\"><span class=\"aip-chip\">stacjonarny<\/span><span class=\"aip-chip\">2 ECTS<\/span><span class=\"aip-chip\">16 godz.<\/span><span class=\"aip-chip\">Laboratorium 8 godzin + Projekt 8 godzin = 16 godz.<\/span><\/div>\n          <h3>Tre\u015bci programowe<\/h3><div class=\"aip-richtext\"><p>Zaj\u0119cia integruj\u0105ce wiedz\u0119 i umiej\u0119tno\u015bci zdobyte podczas ca\u0142ego 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 przyj\u0119tych decyzji architektonicznych, przygotowanie prezentacji oraz projekt ko\u0144cowy.<\/p>\n<\/div>          <h3>Warunki i spos\u00f3b zaliczenia<\/h3><p>Ocena ko\u0144cowa na podstawie: oceny pracy ko\u0144cowej (m.in. dokumentacji technicznej), oceny prezentacji projektu, ocena obrony rozwi\u0105zania, oceny pracy zespo\u0142owej oraz aktywno\u015bci na zaj\u0119ciach.<\/p>        <\/div><\/details>\n      <p class=\"aip-empty-results\" data-empty-results hidden>Nie znaleziono przedmiot\u00f3w pasuj\u0105cych do wyszukiwania.<\/p><\/div>\n    <\/section>\n    ","protected":false},"excerpt":{"rendered":"","protected":false},"author":1,"featured_media":0,"parent":0,"menu_order":0,"comment_status":"closed","ping_status":"closed","template":"","meta":{"footnotes":""},"class_list":["post-58","page","type-page","status-publish","hentry"],"_links":{"self":[{"href":"https:\/\/www.mchtr.pw.edu.pl\/studia-podyplomowe-ai\/wp-json\/wp\/v2\/pages\/58","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.mchtr.pw.edu.pl\/studia-podyplomowe-ai\/wp-json\/wp\/v2\/pages"}],"about":[{"href":"https:\/\/www.mchtr.pw.edu.pl\/studia-podyplomowe-ai\/wp-json\/wp\/v2\/types\/page"}],"author":[{"embeddable":true,"href":"https:\/\/www.mchtr.pw.edu.pl\/studia-podyplomowe-ai\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/www.mchtr.pw.edu.pl\/studia-podyplomowe-ai\/wp-json\/wp\/v2\/comments?post=58"}],"version-history":[{"count":0,"href":"https:\/\/www.mchtr.pw.edu.pl\/studia-podyplomowe-ai\/wp-json\/wp\/v2\/pages\/58\/revisions"}],"wp:attachment":[{"href":"https:\/\/www.mchtr.pw.edu.pl\/studia-podyplomowe-ai\/wp-json\/wp\/v2\/media?parent=58"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}