Kurs Data Science online: od podstaw do projektów z danymi
5,5 miesiąca zajęć na żywo online
19 listopada 2026
Płatność w miesięcznych ratach
Więcej o ratach
Dofinansowanie do 100% ze środków UE
Przeszliśmy weryfikację Ministerstwa Rozwoju i Technologii Polski
W 5,5 miesiąca przejdziesz od podstaw Pythona do własnych modeli machine learning. Uczysz się na żywo z prowadzącym, robisz projekty do portfolio i kończysz obroną projektu dyplomowego.
Gwarantujemy wsparcie Centrum Kariery bez limitu czasu — aż znajdziesz pracę. Bez drobnego druku.
Jak działa Centrum Kariery →Cały kurs za 325 zł / miesiąc
Rozłóż 6 500 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
325 zł to mniej niż kilka wyjść na pizzę w miesiącu — a tutaj zdobywasz nowy, dobrze płatny zawód w IT.
Rata 0% × 20 obowiązuje do 31 grudnia 2026 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
Jak wybrać kurs Data Science online?
Porównuj program, praktykę i sposób prowadzenia zajęć, a nie samą listę narzędzi. W tabeli: na co patrzeć w zależności od Twojej sytuacji.
| Jeśli… | Sprawdź przede wszystkim | Sygnał ostrzegawczy | Następny krok |
|---|---|---|---|
| zaczynasz od zera | kolejność nauki, wymagany poziom matematyki i Pythona | program zaczyna od modeli bez wyjaśnienia podstaw | zrób krótką samoocenę |
| znasz Excel lub BI | projekty w Pythonie, SQL, analizę danych i modele | dużo teorii, brak pracy na danych | porównaj projekty z własnym celem |
| uczysz się przy pracy | harmonogram, możliwość nadrobienia materiału i czas na projekty | brak jasnej informacji o obciążeniu | rozpisz realny tydzień nauki |
| potrzebujesz feedbacku | sposób sprawdzania kodu i projektów | sam materiał wideo bez opisu wsparcia | zobacz, jak sprawdzamy zadania |
| koszt jest barierą | pełną cenę, raty i warunki dofinansowania | obietnica finansowania bez sprawdzenia warunków | sprawdź dofinansowanie |
Dla kogo jest kurs Data Science online?
Kurs prowadzimy od podstaw, ale punkt startu uczestników bywa różny. Najczęściej zgłaszają się osoby w jednej z trzech sytuacji:
- Zaczynasz od zera. Nie programujesz i nie pracujesz z danymi. Program zaczyna od środowiska pracy i podstaw Pythona, zanim przejdzie do analizy i modeli.
- Znasz Excel lub narzędzia BI. Masz nawyk pracy z tabelami i wykresami. Na kursie przenosisz go do Pythona, Pandas i SQL, a potem idziesz dalej — do uczenia maszynowego.
- Znasz podstawy Pythona. Pierwsze zajęcia będą powtórką, a nowy materiał zacznie się przy pracy z danymi, statystyce i modelach.
„Boję się, że nie dam rady” — to częsta obawa i lepiej ją sprawdzić, niż zgadywać. Zrób małe zadanie próbne: weź swoje wydatki z trzech ostatnich miesięcy, policz średnią miesięczną i narysuj prosty wykres, choćby w arkuszu. Jeśli rozumiesz, co pokazuje wynik, masz dobry punkt wyjścia. Jeśli nie, zacznij od listy do samooceny.
Nie obiecujemy, że każdy przejdzie kurs bez wysiłku: potrzebne są regularne zajęcia i samodzielna praca. Jeśli chcesz najpierw zobaczyć całą ścieżkę, przeczytaj plan nauki Data Science od podstaw.
Ile matematyki i Pythona trzeba znać na start?
Do startu nie potrzebujesz studiów matematycznych ani doświadczenia w programowaniu. Wystarczy, że bez większego stresu poradzisz sobie z tą listą:
- liczysz procenty i średnią, na przykład z wyników w arkuszu,
- czytasz prosty wykres i potrafisz powiedzieć, co z niego wynika,
- rozumiesz logikę „jeśli… to…”,
- wiesz albo chcesz się dowiedzieć, czym są zmienna, warunek i funkcja.
Pythona uczymy od podstaw w module „Python dla Data Science”: typy danych, kolekcje, pętle, funkcje i programowanie obiektowe. Algebrę liniową, prawdopodobieństwo i statystykę poznajesz w osobnym module, od razu na przykładach w NumPy i na wykresach.
Której matematyki potrzeba i na jakim etapie, opisaliśmy w artykule ile matematyki potrzeba do Data Science. Sama znajomość wzorów nie wystarczy — umiejętności buduje praktyka na danych i informacja zwrotna.
Jak wygląda nauka od danych do modelu?
Program prowadzi przez ten sam proces, przez który przechodzi analiza danych w firmie. Na każdym etapie powstaje coś, co możesz pokazać: notatnik, wykres, model albo prezentację.
Czyszczenie danych
Notatnik z wczytanymi i oczyszczonymi danymi: braki, duplikaty, połączone tabele.
Moduł: Praca z danymi i SQL
PandasSQLAnaliza
Eksploracyjna analiza danych z grupowaniem, agregacjami i pierwszymi wnioskami.
Moduł: Praca z danymi i SQL
PandasNumPyWizualizacja
Wykresy w Matplotlib i Plotly, które pokazują wzorce i zależności w danych.
Moduł: Matematyka, statystyka i wizualizacja
StatystykaModel
Model regresji lub klasyfikacji w scikit-learn, a później sieć neuronowa w Keras lub PyTorch.
Moduł: Klasyczne algorytmy ML, Deep Learning
scikit-learnPyTorchOcena
Porównanie modeli na metrykach i walidacji krzyżowej z opisem, który wariant działa lepiej i dlaczego.
Moduł: Klasyczne algorytmy ML
Machine learningWnioski i wdrożenie
Model udostępniony jako API oraz projekt dyplomowy zaprezentowany na obronie.
Moduł: Inżynieria, web, chmura i kariera
FastAPIGitHub
Dokładną kolejność tematów i zakres każdego modułu znajdziesz w programie kursu.
Sprawdź program kursu Data Science
Zobacz kolejność tematów, projektów oraz feedbacku — moduł po module.
Program kursu
Opracowane profesjonalne materiały dydaktyczne, duża ilość praktyki i projektów końcowych.
Bonus: Narzędzia AI
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
- •
Embeddingi (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.
Jakie projekty powstaną podczas kursu?
W trakcie kursu pracujesz na danych w trzech obszarach, które potem możesz pokazać w portfolio:
- Analiza danych w Pandas i NumPy — od surowego zbioru do tabel, wykresów i wniosków.
- Modele machine learning — budowa, porównanie i ocena modeli na metrykach.
- Wdrożenie modelu w chmurze — model udostępniony jako API i uruchomiony w AWS lub GCP.
Kurs kończy się projektem dyplomowym: wybierasz temat, planujesz eksperymenty, przygotowujesz repozytorium i prezentację, a na koniec bronisz projektu. Po ukończeniu kursu otrzymujesz certyfikat LearnIT.
Uczciwie: projekt szkoleniowy to nie to samo co doświadczenie komercyjne. Pokazuje, że potrafisz przejść drogę od danych do wniosku, i daje materiał do rozmowy z rekruterem. Od czego zacząć naukę i jak dobrać pierwsze projekty, opisujemy w przewodniku Data Science od podstaw.
Jak działa feedback i wsparcie podczas nauki?
Zajęcia odbywają się na żywo z prowadzącym, więc pytania zadajesz w trakcie, a nie w komentarzu pod nagraniem. Każdy moduł łączy wykłady z zajęciami praktycznymi, na których pracujesz na danych pod okiem prowadzącego.
Po zajęciach dostajesz zadania domowe. Prowadzący je sprawdza, a typowe błędy omawia z całą grupą na kolejnych zajęciach.
Najbardziej szczegółową informację zwrotną dostajesz przy projekcie dyplomowym: przy wyborze tematu poznajesz kryteria oceny, a na obronie prezentujesz kod, wyniki i wnioski.
„A co, jeśli utknę na trudnym temacie?” Wszystkie spotkania są nagrywane, więc możesz wrócić do materiału i dopytać prowadzącego na kolejnych zajęciach.
Ile czasu zajmuje kurs Data Science online?
Kurs trwa 5,5 miesiąca. Zajęcia na żywo odbywają się dwa razy w tygodniu i trwają po 3 godziny. Program obejmuje 10 modułów — od środowiska pracy i Pythona po wdrożenie modelu i projekt dyplomowy.
Do tego dochodzi samodzielna praca: zadania domowe, powtórka materiału i projekt. Jej ilość zależy od punktu startu — osoba znająca Pythona potrzebuje mniej czasu na pierwsze moduły niż ktoś, kto zaczyna od zera.
„Nie mam czasu” — zanim to przesądzi o decyzji, rozpisz realny tydzień:
- zaznacz w kalendarzu dwa stałe terminy zajęć,
- dodaj jeden lub dwa bloki na samodzielną pracę,
- sprawdź, który tydzień w miesiącu masz najbardziej obciążony, i zaplanuj na niego oglądanie nagrań.
Dokładne dni i godziny zajęć podajemy dla konkretnej grupy przed startem.
Nasi nauczyciele
Ile kosztuje kurs i jak sprawdzić dofinansowanie?
Cenę, raty i dofinansowanie warto rozdzielić, bo każda z tych rzeczy odpowiada na inne pytanie:
- Pełna cena. Cały kurs kosztuje 6 500 zł: 10 modułów, zajęcia na żywo, nagrania i projekt dyplomowy.
- Raty. Płatność możesz rozłożyć na raty, na przykład 20 rat po 325 zł bez odsetek. Wszystkie warianty znajdziesz w sekcji „Cena” poniżej i na stronie kursów IT na raty.
- Dofinansowanie. Kurs może zostać objęty dofinansowaniem, ale decyzja zależy od programu i sytuacji uczestnika. Warunki opisaliśmy na stronie dofinansowania kursów IT.
„To za drogo” — porównując oferty, zestawiaj nie tylko ceny, ale też to, co za nie dostajesz: liczbę godzin na żywo, projekty, sposób sprawdzania pracy i wsparcie po kursie. Nie obiecujemy, że kurs zwróci się w określonym czasie. Sprawdź, jak wyglądają zarobki w tej roli i na jakich danych oparto widełki.
Koszt jest barierą?
Sprawdź dostępne możliwości dofinansowania. Warunki zależą od programu i sytuacji uczestnika.
Cena
zł 6 500
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
Wybór liczby rat
Raty 0% — 20 × 325 zł. Cena kursu się nie zmienia (5, 10 lub 20 rat).
Sprawdź opcje finansowania
Możliwość zapłaty z dowolnego miejsca na świecie dowolną kartą.
Skontaktuj się z nami, a z przyjemnością Ci pomożemy!
Gwarancja LearnIT
Gwarancja Wsparcia Kariery LearnIT
Nie obiecujemy „pracy albo zwrotu pieniędzy” — takie gwarancje mają warunki, których prawie nikt nie spełnia. Gwarantujemy to, co naprawdę możemy dać: system i ludzi, którzy prowadzą Cię do pracy tak długo, jak trzeba.
Lekcje o rynku pracy w trakcie kursu
CV, LinkedIn, portfolio i rozmowy kwalifikacyjne są częścią programu, a nie dodatkiem po kursie.
CV potwierdzone przez szkołę
Buduje się z Twoich postępów, każdą umiejętność weryfikuje szkoła. PDF po polsku i angielsku.
~10 zweryfikowanych ofert dziennie
Nasz zespół sprawdza każdą ofertę, a system pokazuje dopasowanie do Twojego profilu.
Firmy partnerskie szukają Ciebie
Pracodawcy wyszukują absolwentów po umiejętnościach — za Twoją zgodą, bez wysyłania setek aplikacji.
Mapa 100+ umiejętności
Wiesz, czego brakuje Ci do celu i na co jest realny popyt na rynku — bez zgadywania.
Wsparcie bez limitu czasu
Centrum Kariery nie wyłącza się po 3 czy 6 miesiącach. Jesteśmy z Tobą aż do zatrudnienia.
Co gwarantujemy
- Wsparcie Centrum Kariery bez limitu czasu — aż do zatrudnienia
- CV potwierdzone przez szkołę i dostęp do zweryfikowanych ofert
- Widoczność dla firm partnerskich — za Twoją zgodą
- Konkretny plan: wiesz, czego Ci brakuje i nad czym pracować
Czego nie obiecujemy
- „Pracy w 3 miesiące” — tempo zależy od Ciebie i rynku, nie od sloganu
- „Zwrotu za brak pracy” z listą warunków, których nikt nie spełnia
Jak sprawdzić, czy kurs pasuje do mojego celu?
Zanim się zapiszesz, przejdź przez tę listę. Jeśli przy którymś punkcie nie masz odpowiedzi, to dobre pytanie do zadania przed zapisem.
- Zapisz cel: analiza danych, budowa modeli albo zmiana roli.
- Sprawdź wymagany poziom matematyki i Pythona.
- Porównaj kolejność modułów z własnym poziomem.
- Zobacz, jakie projekty powstaną i kto daje feedback.
- Ułóż realny tygodniowy rytm nauki.
- Sprawdź pełną cenę, raty oraz warunki dofinansowania.
- Przeczytaj warunki umowy przed podjęciem decyzji.
Wahasz się między analizą danych a programowaniem? Porównaj obie ścieżki w artykule Python czy Data Science — co wybrać.
Sprawdź program kursu Data Science online
Zobacz, jak moduły, zajęcia praktyczne i projekt dyplomowy układają się w 5,5 miesiąca nauki.
Zdobądź nowy zawód prawie za darmo
🚀 Prowadzimy Cię przez cały proces
- Zostawiasz zgłoszenie — prowadzimy Cię krok po kroku
- Pomagamy z dokumentami zgodnie z wymaganiami funduszy (BUR, PARP, MSUES)
- Po akceptacji możesz otrzymać nawet 100% dofinansowania
Dla osób pracujących, samozatrudnionych lub planujących zmianę zawodu
