1. Opis kursu
Kurs „Nie tylko dla nerdów: AI, które zrozumiesz – Sztuczna inteligencja i przetwarzanie danych” to intensywne, 68-godzinne szkolenie (68 × 45 min) skierowane do osób początkujących oraz średniozaawansowanych, które chcą poznać podstawy teoretyczne i praktyczne wykorzystanie metod sztucznej inteligencji (AI) i analizy danych w projektach biznesowych i badawczych.
Dzięki kursowi uczestnicy:
- zrozumieją fundamenty matematyczne i statystyczne niezbędne do pracy z danymi;
- opanują podstawy programowania w Pythonie i najważniejsze biblioteki (NumPy, pandas);
- poznają cykl życia projektu uczenia maszynowego, w tym ewaluację i optymalizację modeli;
- nauczą się przetwarzać dane nieustrukturyzowane (tekst, obrazy) oraz wprowadzenia do sieci neuronowych i dużych modeli języka (LLM);
- zdobędą umiejętność budowania prostych modeli AI, interpretowania wyników i efektywnej współpracy z zespołami data science.
2. Cele kształcenia
Po ukończeniu kursu uczestnik będzie potrafił:
- Wyjaśnić kluczowe miary statystyczne i geometryczne wykorzystywane w analizie danych.
- Napisać i zorganizować w pełni funkcjonalne skrypty w Pythonie do wczytywania, przetwarzania i wizualizacji danych.
- Zaimplementować i ocenić modele uczenia maszynowego (klasyfikacji, regresji) na danych tabelarycznych.
- Przetwarzać tekst oraz obrazy z wykorzystaniem bibliotek NLP i uczenia głębokiego.
- Rozwinąć prosty projekt AI od zbierania danych do wdrożenia prototypu.
3. Struktura kursu i program
Blok 1: Matematyka i statystyka w AI (12 h)
- 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 (14 h)
- 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 (22 h)
- 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 (12 h)
- 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
4. Metody dydaktyczne i format zajęć
- Blok 1: wykład interaktywny online z elementami dyskusji
- Bloki 2–4: zajęcia laboratoryjne stacjonarne, z dużą liczbą ćwiczeń praktycznych i studiów przypadków
- W trakcie zajęć: demonstracje kodu, praca w parach, projekty mini-zespołowe
5. Prowadzący
- dr hab. prof. UŁ Maciej Malaczewski – wykłady teoretyczne z matematyki i statystyki.
- dr hab. prof. UŁ Paweł Baranowski – warsztaty programistyczne, laboratoria AI i przetwarzania danych.
6. Ewaluacja i certyfikacja
- Ocena praktyczna: dwa zadania projektowe – jeden z modelowania danych tabelarycznych, drugi z przetwarzania tekstu.
- Quiz: krótki test online po zakończeniu każdego bloku.
- Certyfikat: dla uczestników, którzy osiągną min. 70% punktów z zadań i quizów.
7. Materiały i zasoby
- Materiały prezentacyjne i skrypty dostępne na platformie BUR.
- Przykładowe zestawy danych i kody źródłowe w repozytorium GitHub.
- Lista lektur uzupełniających i tutoriali online.
Informacje podstawowe:
Szkolenie obejmuje 68 godzin dydaktycznych (po 45 minut) realizowanych w trybie hybrydowym:
- Blok teoretyczny (matematyczno-statystyczny) – online
- Pozostałe bloki (programowanie, machine learning, AI) – stacjonarnie w formie laboratoriów
Zajęcia prowadzone są przez doświadczonych dydaktyków i naukowców Uniwersytetu Łódzkiego.
Cel szkolenia:
Celem kursu jest przygotowanie uczestnika do samodzielnej pracy z danymi oraz budowy prostych modeli sztucznej inteligencji, a także do efektywnej współpracy z zespołami projektującymi i wdrażającymi rozwiązania AI.
Szkolenie skierowane jest do osób początkujących. Nie wymaga wcześniejszego doświadczenia programistycznego.
Kwalifikacje i kompetencje zdobywane po ukończeniu:
Uczestnik:
- Zrozumie podstawy działania modeli AI i uczenia maszynowego.
- Nauczy się wykorzystywać Pythona i biblioteki NumPy oraz pandas do analizy danych.
- Zbuduje własne, proste modele ML (klasyfikacja, regresja).
- Nabędzie kompetencje do oceny i interpretacji wyników modeli.
- Zdobędzie podstawy przetwarzania tekstu i pracy z dużymi modelami językowymi (np. ChatGPT).
- Będzie przygotowany do dalszego rozwoju (kursy zaawansowane, współpraca projektowa).
Prowadzący:
- dr hab. Maciej Malaczewski, prof. UŁ – specjalista w zakresie matematyki stosowanej i statystyki (blok 1)
- dr hab. Paweł Baranowski, prof. UŁ – ekspert w dziedzinie sztucznej inteligencji, przetwarzania danych i uczenia maszynowego (bloki 2–4)
Informacje dodatkowe:
- Kurs ma formę praktycznych laboratoriów – każdy uczestnik wykonuje ćwiczenia na swoim sprzęcie;
- Materiały szkoleniowe oraz kody źródłowe udostępniane są w repozytorium;
- Uczestnicy otrzymują zaświadczenie ukończenia szkolenia.
Warunki techniczne:
- Komputer z systemem Windows / macOS / Linux
- Stabilne łącze internetowe (dla sesji online)
- Zainstalowane: Python 3.x, Jupyter Notebook / VS Code (pomoc techniczna zapewniona)
- Materiały w formacie PDF oraz repozytorium GitHub
