Struktura kursu i program

Blok 1: Matematyka i statystyka w AI

• Miary statystyczne: średnia, mediana, wariancja, odchylenie standardowe
• Wektory i macierze: podstawowe operacje, zapis i interpretacja
• Geometria przestrzeni: współrzędne, układy odniesienia
• Miary odległości: euklidesowa, Manhattan, cosinusowa
• Ćwiczenia praktyczne: obliczanie miar na zbiorach danych, wizualizacje rozkładów

Blok 2: Programowanie w Pythonie

• Podstawy składni: zmienne, typy danych, instrukcje sterujące
• Struktury danych: listy, słowniki, zbiory, krotki
• Biblioteki NumPy i pandas: operacje na tablicach, DataFrame, wczytywanie/dzielenie danych
• Organizacja kodu: funkcje, moduły, dobre praktyki
• Oczyszczanie danych: obsługa braków, transformacje, wykrywanie anomalii
• Laboratorium: analiza przykładowego zestawu danych biznesowych

Blok 3: Uczenie maszynowe od podstaw

• Rodzaje uczenia: nadzorowane, nienadzorowane, wzmacniane
• Wizualizacja danych: wykresy, macierze korelacji
• Przeuczenie i walidacja: podział na zbiory, k-fold, metryki ewaluacji
• Modele klasyfikacyjne i regresyjne: regresja liniowa, drzewa decyzyjne, k-NN, SVM
• Selekcja zmiennych: metody filter, wrapper, embedded
• Ćwiczenia: budowa i ocena modelu na realnym zbiorze danych

Blok 4: Przetwarzanie danych nieustrukturyzowanych i AI generatywna

• Przetwarzanie tekstu: tokenizacja, TF-IDF, Word2Vec
• Podstawy sieci neuronowych: perceptron, MLP
• Wprowadzenie do dużych modeli języka (LLM): architektura, zastosowania
• Generatywna AI: GPT, tworzenie prostych promptów, fine-tuning

Praktyka: analiza tekstów, generowanie treści, podstawy przetwarzania obrazów

Walidacja – test teoretyczny z wynikiem generowanym automatycznie.