Data Scientist Online + AI
od zera w 5,5 miesiąca
1 października 2026
Więcej
Płatność za cały kurs lub w miesięcznych ratach
895 zł/mies · 10 rat
Więcej
Dofinansowanie do 100% ze środków UE
Przeszliśmy weryfikację Ministerstwa Rozwoju i Technologii Polski
Cały kurs za 496 zł / miesiąc
Rozłóż 7 995 zł na 20 równych rat 0%. Zero odsetek, zero prowizji — całą kwotę spłacasz bez ani złotówki więcej.
- ✓Zero odsetek i prowizji
- ✓Cena kursu się nie zmienia
- ✓Rozłożone na 20 miesięcy
496 zł to mniej niż kilka wyjść na pizzę w miesiącu — a tutaj zdobywasz nowy, dobrze płatny zawód programisty.
Rata 0% × 20 obowiązuje tylko latem i tylko na ten nabór kursu. Liczba miejsc jest ograniczona — gdy się zapełnią, oferta znika.
Zaufały nam instytucje państwowe i regionalne
Znak jakości MSUES
Aby go otrzymać, przeszliśmy weryfikację według kluczowych kryteriów:
Doskonałość akademicka- Zaplecze metodyczne
- Zadowolenie uczestników
Bierzemy udział w programie Małopolski Pociąg do Kariery — sezon I
Otrzymaj nawet do 90% dofinansowania na naukę- Przejdź oficjalną rekrutację przez system PARP
Bierzemy udział w programie Nowy Start w Małopolsce z EURESem
- Szkolenie zatwierdzone przez instytucje europejskie
- Kontakty z pracodawcami w Polsce i Unii Europejskiej
- Praktyczne umiejętności na dobry start kariery
Zarejestrowani w rejestrze PARP / BUR
Przeszliśmy weryfikację Ministerstwa Rozwoju i Technologii RP
do 100%
dofinansowania z programów rządowych
Program kursu
Opracowane profesjonalne materiały dydaktyczne, duża ilość praktyki i projektów końcowych.
Wprowadzenie
- •
Krótki przegląd kursu i ścieżki kompetencji DS/ML
- •
Czym jest Machine Learning, Data Science, AI — podobieństwa i różnice
- •
Realne case’y zastosowań (biznes, produkt, badania)
Środowisko pracy
- •
Google Colab i Jupyter Notebook — workflow
- •
Instalacja Pythona i bibliotek (pip/venv)
- •
Struktura projektu i dobre praktyki pracy z notatnikami
Kontrola wersji i GitHub
- •
Git: init, commit, branch, merge, PR
- •
Git Flow w praktyce (feature/release/hotfix)
- •
Praca z GitHub: repozytorium, Issues, Pull Requests
Podstawy: składnia, typy i operatory
- •
Zmienne, operatory i wyrażenia
- •
Liczby całkowite i zmiennoprzecinkowe (int/float), precyzja i zaokrąglenia
- •
Wejście/wyjście i formatowanie stringów
Kolekcje I: listy i łańcuchy znaków
- •
Listy: indeksowanie, wycinki, mutowalność
- •
Metody list i typowe wzorce (append, extend, sort)
- •
Łańcuchy znaków: operacje, metody, immutowalność
Kolekcje II: słowniki, zbiory i krotki
- •
Słowniki: klucze, wartości, iteracje
- •
Zbiory: operacje zbiorowe i deduplikacja
- •
Krotki i ich zastosowania
Logika i pętle
- •
if/elif/else, truthy/falsy
- •
Pętle while i for, range
- •
Pętle zagnieżdżone i iteracje po stringach/kolekcjach
Funkcje i idiomy
- •
Definicja funkcji, parametry i wartości domyślne
- •
Zasięgi, zwracanie wartości, lambda
- •
List comprehensions i wyrażenia generatorowe
Programowanie obiektowe (OOP)
- •
Klasy i obiekty: atrybuty, metody
- •
Dziedziczenie i kompozycja (wprowadzenie)
- •
Praktyczne zastosowania OOP w projektach DS
NumPy i podstawy pracy z tablicami
- •
Tablice, kształty, operacje wektorowe
- •
Broadcasting i operacje macierzowe
- •
Wydajność i pamięć — podstawy
Pandas I: wczytywanie i czyszczenie danych
- •
Import danych (CSV/JSON/SQL)
- •
Selekcja, filtrowanie, brakujące wartości
- •
Łączenie tabel (merge/join/concat)
Pandas II: transformacje, grupowanie i metryki
- •
GroupBy, agregacje i przekształcenia
- •
Feature engineering (kolumny pochodne)
- •
Mini-EDA: szybkie wykrywanie wzorców
SQL: zapytania i łączenia
- •
SELECT, WHERE, ORDER BY, GROUP BY, HAVING
- •
Złączenia: INNER/LEFT/RIGHT/FULL
- •
Indeksy i podstawy optymalizacji
ORM z SQLAlchemy i PostgreSQL
- •
Modele, sesje i zapytania ORM
- •
Relacje i migracje schematu (wprowadzenie)
- •
Wzorce integracji DS z bazą danych
Algebra liniowa w praktyce DS
- •
Wektory, macierze i działania na nich
- •
Iloczyn skalarny i macierzowy, normy
- •
Implementacja operacji w NumPy
Statystyka i prawdopodobieństwo
- •
Rozkłady, estymacja i przedziały ufności
- •
Korelacja i zależności
- •
Weryfikacja hipotez — wprowadzenie
Wizualizacja danych
- •
Matplotlib: wykresy podstawowe i układy
- •
Plotly: interaktywne wizualizacje
- •
Dobre praktyki storytellingu danymi
Wprowadzenie do ML i typy uczenia
- •
Uczenie z nadzorem/bez nadzoru/z wzmocnieniem (przegląd)
- •
Cykle projektu ML i dane treningowe/walidacyjne/testowe
- •
Metryki i podstawy oceny modeli
Funkcje błędu i spadek gradientu
- •
Funkcje strat (MSE, LogLoss)
- •
Gradient i uczenie parametryczne
- •
Krzywe uczenia i podstawy CV
Regresja liniowa
- •
Model, założenia, implementacja
- •
Cechy i predykcja, interpretacja współczynników
- •
Ocena jakości i diagnostyka
Regresja logistyczna i klasyfikacja
- •
Funkcja sigmoidalna i interpretacja
- •
Probabilistyczna decyzja i progi
- •
ROC AUC/PR AUC i balans klas
Regularizacja i kontrola dopasowania
- •
Przeuczenie vs niedouczenie
- •
L1/L2, wybór hiperparametrów
- •
Walidacja krzyżowa w praktyce
Przegląd algorytmów i ensemble
- •
kNN i SVM — kiedy warto
- •
Drzewa decyzyjne i Random Forest
- •
Boosting (XGBoost/LightGBM) — przegląd i intuicje
Podstawy sieci neuronowych
- •
Neuron, warstwy i nieliniowości
- •
Funkcje aktywacji (ReLU, Sigmoid, Tanh, GELU)
- •
Architektury MLP — przegląd
Uczenie sieci: straty i optymalizacja
- •
Forward/Backward pass
- •
Funkcje strat i ich wybór
- •
Optymalizatory (SGD, Momentum, Adam)
Stabilne trenowanie
- •
Regularizacja (Dropout, L2), wczesne zatrzymanie
- •
Hiperparametry i ich strojenie
- •
Zanik/eksplozja gradientu — praktyczne triki
Architektury i transfer learning
- •
Przegląd rodzin architektur
- •
Transfer learning i fine-tuning
- •
Repozytoria modeli i workflow eksperymentów
Praktyka: pierwsza sieć w Keras/PyTorch
- •
Przygotowanie danych i trening
- •
Monitorowanie metryk i logowanie eksperymentów
- •
Eksport i inferencja
Wprowadzenie do CNN
- •
Operacja konwolucji i cechy przestrzenne
- •
Architektura bazowa CNN
- •
Normalizacja i pooling
Warstwy i klasyfikacja obrazów
- •
Conv/Pool/BatchNorm/Dropout
- •
Augmentacja i przygotowanie datasetu
- •
Trening klasyfikatora obrazów
Zastosowania CNN — przegląd z demo
- •
Detekcja obiektów (przegląd YOLO/SSD)
- •
Rozpoznawanie twarzy (embeddingi)
- •
Transfer stylów — wprowadzenie
RNN, GRU i LSTM
- •
Zależności czasowe i exploding/vanishing gradient
- •
Architektury rekurencyjne
- •
Uczenie i regularyzacja modeli sekwencyjnych
Attention i Seq2Seq
- •
Mechanizm uwagi — intuicja
- •
Seq2Seq: enkoder-dekoder
- •
Zastosowania (tłumaczenie, streszczanie)
Podstawy NLP i reprezentacje
- •
Tokenizacja i wektoryzacja
- •
Embadngi (przegląd Word2Vec/GloVe/FastText)
- •
Wprowadzenie do BERT/transformerów
Praktyka NLP
- •
Klasyfikacja tekstu i analiza sentymentu
- •
Walidacja i metryki (F1/ROC-PR)
- •
Eksport/inferencja i ocena w produkcji
Klasteryzacja i anomalie
- •
k-Means: intuicja i praktyka
- •
DBSCAN: gęstościowy podział danych
- •
Wykrywanie anomalii — podstawy
Redukcja wymiarowości
- •
PCA — komponenty główne i wizualizacja
- •
t-SNE — kiedy i po co (przegląd)
- •
Użycie redukcji w pipeline’ach ML
Wprowadzenie do szeregów czasowych
- •
Czyszczenie i cechowanie szeregów
- •
Klasyczne podejścia i walidacja na TS
- •
Deep Learning do TS — przegląd
Project pipeline i ocena modeli
- •
Strukturyzacja projektów ML i zarządzanie danymi
- •
Krzyżowa walidacja i dobór metryk
- •
Śledzenie eksperymentów (np. MLflow) i reproducowalność
API i integracja webowa
- •
Flask/FastAPI — publikacja modelu jako endpoint
- •
Serializacja modelu i kontrakty API
- •
Podstawy bezpieczeństwa i monitoring
Chmura i wdrożenia
- •
AWS/GCP — S3, compute i podstawy MLOps
- •
SageMaker (przegląd) i alternatywy
- •
Prosty deployment w GCP (App Engine) / konteneryzacja — wprowadzenie
Przygotowanie projektu dyplomowego
- •
Wybór tematu i kryteria oceny
- •
Plan eksperymentów i harmonogram
- •
Przygotowanie prezentacji i repozytorium
Kariera w Data Science
- •
CV i portfolio projektowe (GitHub, demo)
- •
LinkedIn i komunikacja z rekruterami
- •
Przygotowanie do rozmowy technicznej i zadania domowe
Projekt końcowy i pierwszy krok do zatrudnienia
🛠 Co stworzysz
Analiza danych z wykorzystaniem Pandas i NumPy- Budowanie modeli ML z Scikit-learn i TensorFlow
- Deployment modeli ML w chmurze (AWS/GCP)
📋 Co rozwiniesz
- Symulacja rozmowy technicznej z mentorem
- Informacja zwrotna i analiza błędów
- Typowe pytania i odpowiedzi
95% studentów
otrzymuje ofertę pracy po obronie projektu końcowego
otrzymuje ofertę pracy po obronie projektu końcowego
🚀 Z czym ruszysz na rynek pracy
- Gotowe CV i profil na LinkedIn
- Umiejętność wyszukiwania i filtrowania ofert pracy
- Wsparcie Centrum Kariery
- Rozmowy rekrutacyjne z firmami partnerskimi
Certyfikat, za którym stoi realna umiejętność
Otrzymasz imienny certyfikat w języku polskim i angielskim — z unikalnym kodem i potwierdzeniem wszystkich zdobytych umiejętności.
- Pracodawcy widzą, że przeszedłeś pełną ścieżkę
- Potwierdzenie konkretnej specjalizacji
- Łatwo dołączyć do CV i profilu na LinkedIn
To dowód, że nie tylko się «uczyłeś», ale jesteś gotowy do pracy.
Nasi nauczyciele
Cena
zł 7 995
Możliwość płatności w ratach bankowych od 6 do 18 miesięcy. Szczegółowe informacje na temat programów ratalnych i kredytowych można uzyskać u naszych menedżerów.
5 rat
10 rat
20 rat
30 rat
40 rat
50 rat
Wybór liczby rat
Sprawdź opcje finansowania
Możliwość zapłaty z dowolnego miejsca na świecie dowolną kartą.
Skontaktuj się z nami, a z przyjemnością Ci pomożemy!
Zdobądź nowy zawód prawie za darmo
🚀 Bierzemy wszystko w swoje ręce
- Zostawiasz zgłoszenie — prowadzimy Cię krok po kroku
- Przygotowujemy dokumenty zgodnie z wymaganiami funduszy (KRS, BUR, PARP, MSUES)
- Po akceptacji możesz otrzymać nawet 100% dofinansowania
Dla osób pracujących, samozatrudnionych lub planujących zmianę zawodu
