Start 24.06.2024!

(termin specjalny, rabat 10%, prosimy o kontakt)

Zapisz się ✏

Szkolenie stworzone dla biznesu.
Nie projektowaliśmy go dla programistów, tylko dla menedżerów i analityków.

Dla kogo jest szkolenie?

  • Dla osób, które pracują w projektach IT, kierują zespołami osób technicznych, lub pracują czy odbierają pracę od zewnętrznych dostawców systemów IT.
  • Nie trzeba umieć programować. Chcemy nauczyć Cię rozumieć, co, jak i dlaczego działa. Będziemy pokazywać techniczne przykłady, a nawet zarysy algorytmów i fragmenty kodów - ale w sposób dostosowany dla nie programujących na co dzień.
  • Chętnych specjalistów IT rówież zapraszamy.
photo of wooman
photo of AI

Czego się spodziewać?

Na zajęciach uczestnicy:

Zaczną od zapoznania się z modelami GPT i ChatGPT; nauczą się pisać skuteczne prompty (prompt engineering), poznają API OpenAI i metody integracji ChatGPT z własnymi aplikacjami. Nauczą się tworzyć własne (firmowe) chatboty.

Zaprezentujemy przegląd najpopularniejszych modeli Machine Learning i ich zastosowań. Będziemy pracować na realistycznych przykładach dla wybranych branż, na podstawie których słuchacze powinni być w stanie wyrobić sobie opinię i intuicję odnośnie przydatności tych rozwiązań dla ich branż i organizacji.

Omówimy modele: od najprostszych drzew decyzyjnych i regresji, poprzez systemy rekomendacyjne, analizy anomalii i ich zastosowanie m.in. w finansach, do głębokich sieci neuronowych oraz przetwarzania języka naturalnego i obrazu. Dla każdego z modeli zaprezentujemy konkretny przykład zastosowania.

Omówimy również tematykę zarządzania projektami AI w organizacji i cyklu życia projektu machine learningowego. Zarysujemy metodykę CRISP-ML.

Zdarzają się sytuacje, gdy nie chcemy lub nie możemy (na przykład z powodów prawnych) korzystać z rozwiązań dostarczanych przez zewnętrzne chmury i API. Zaprezentujemy kursantom przykładowy duży model językowy możliwy do wdrożenia na własnej infrastrukturze.

Na koniec szkolenia zajmiemy się aspektami etycznymi i prawnymi wykorzystywania AI. Mamy tutaj m.in. zagadnienia prywatności, czy tematy takie jak aspekty regulacyjne w różnych krajach, jak również chociażby temat praw autorskich.

Zależało nam na możliwie praktycznym i konkretnym zaprezentowaniu wybranych technologii. Dlatego na zajęciach będziemy prezentować modele, ich zasady działania i zarysy algorytmów. Będziemy też pokazywać przykładowe aplikacje oraz – dla zainteresowanych – fragmenty kodów w języku Python realizujących wybrane zadania. Natomiast nie wymagamy od słuchaczy umiejętności programowania.

Dlaczego nasze szkolenie?

To nie jest kolejne szkolenie wyłącznie z ChatGPT. Istnieje kilkanaście rodzajów technologii AI i Machine Learning. Pokażemy Ci konkretne, praktyczne techniki i metody, a nawet gotowe scenariusze i zarysy realistycznych systemów dla wybranych branż i zastosowań.

22 lata

Jesteśmy na rynku

10 lat

Szkolimy w data science

1

Rozmowa z chatem i promptowanie

Poznasz bardziej zaawansowane możliwości ChatGPT (i Copilot/Gemini), skutecznego rozmawiania z chatem, pisania promptów.

Korzyści:
  • Zobaczysz, w jakich codziennych sytuacjach i problemach chat GPT realnie pomaga i przyspiesza Twoją pracę.
  • Tworzenie dokumentów, maili, czy postów. Korekta, przepisywanie tekstów. Tłumaczenia. Rozwiązywanie rozmaitych zadań. Analiza dostarczonych materiałów, dokumentów i danych, odpowiedzi na pytania. Generowanie formuł i kodów...

2

Asystent AI

Firmowe chatboty i asystenci, wyszkoleni konkretną wiedzą i informacjami z Waszego biznesu.

Korzyści:
  • Konkretne odciążenie pracą i/lub zmniejszenie kosztów działów obsługi klienta.
  • Firma wspomagana chatbotami i/lub systemami proponującymi gotowe odpowiedzi potrzebuje mniej etatów do obsługi klientów, lub przy zachowaniu tej samej liczby etatów może zwiększyć produktywność.

3

Wprowadzenie do technologii Machine Learning.

Istnieje wiele sprawdzonych technik i metodyk, rozwijanych i przemysłowo stosowanych już od dziesięcioleci. Zaprezentujemy Ci ich przegląd, zasady działania, przykładowe zastosowania i aplikacje. Poniżej przedstawiamy kilka przykładów dziedzin systemów machine learningowych.

4

Systemy decyzyjne

Korzyści:
  • Podejmowanie decyzji przez AI “na gotowo” jedynie do zatwierdzenia dla specjalistów.
  • duża oszczędność czasu, zależnie od branży możliwa automatyzacja różnych procesów
  • optymalizacja czynności i decyzji

5

Systemy rekomendacyjne

Czyli np. sugerowanie innych produktów, które mogą zainteresować klienta.

Korzyści:
  • Uzyskasz większą sprzedaż z tej samej liczby klientów, bo skuteczniej zaproponujesz im, co jeszcze mogą dokupić

6

Masowa analiza ogromnych ilości tekstu

Korzyści:
  • Wyszukiwanie, globalna analiza, przetwarzanie. Np.: z internetu - przetwarzanie znalezionych opinii na temat marki czy produktu; z zasobów firmowych - wyszukiwanie pewnych wzorców czy relacji pomiędzy tekstami w dokumentach, komunikacji czy systemach wspomagających zarządzanie.

7

Wyszukiwanie zjawisk w obrazach

Korzyści:
  • Analiza dużych ilości obrazów, diagramów itd. - zamiast specjalistów - np. w poszukiwaniu wyznaczonych wzorców. Typowym przykładem jest wspomaganie analizy obrazowej w medycynie (radiologia).

8

Wykrywanie nietypowych zjawisk w danych

Np. potencjalnych naruszeń zasad, czy oszustw w finansach.

Korzyści:
  • Ogromne wspomaganie działów compliance, audytu, nie tylko w finansach, ubezpieczeniach i inwestycjach - również każdy audyt wewnętrzny i księgowość w większych organizacjach.

9

Przewidywanie awarii systemów z wyprzedzeniem

Przydatne w zapobieganiu błędów maszyn, urządzeń czy złożonych systemów - między innymi w przemyśle, ale również na przykład w większych systemach IT.

Korzyści:
  • Zmniejszenie kosztów serwisu i liczby większych awarii, zwiększenie niezawodności dużych i złożonych systemów: przemysłowych, telekomunikacyjnych, informatycznych - dla wielu branż.

Opinie o nas

Odwiedź nas na:

Świetna merytoryka oraz forma przekazu wiadomości teoretycznych, przekazane zostały w przystępny, obrazowy sposób. Mimo dużego zakresu teorii nie odczułem znużenia ich ilością. Dużo zadań praktycznych, które umożliwiają utrwalenie nowo zdobytej wiedzy, zaangażowanie oraz gotowość prowadzącego na pytania od uczestników zdecydowanie na duży plus :)

Niezwykłe miejsce na Warszawskiej mapie szkoleń IT. Jak zawsze - pełen profesjonalizm, maksymalnie praktyczne podejście, bez zbędnej teorii, domowa atmosfera i bezpośrednie podejście prowadzących. O takie rzeczy trudno w różnych firmach szkoleniowych molochach. Polecam wszystkim, do zobaczenia w ALX! ;-)

Świetna organizacja kursu. Prowadzący bardzo pozytywnie nastawiony do kursantów, materiał przygotowany do ćwiczeń, bardzo profesjonalny. Instruktor chętnie odpowiada na zadawane pytania dotyczące wykorzystania programów w obecnej czy przyszłej pracy. Bufet kawowy, dostępny dla kursantów - bardzo smakowity. Polecam obiady oferowane za niewielką opłatą.

Bardzo dobry kurs/bootcamp, dzięki któremu poszerzyłem wiedzę i dowiedziałem się wielu nowych rzeczy. Jestem zadowolony i na pewno jeszcze mnie zobaczycie!

Jeśli chcesz uczuć się od trenerów z wieloletnim doświadczeniem. Jeśli chcesz otrzymywać wiedzę w sposób jasny zrozumiały i bardzo przystępny. Jeśli chcesz mieć wsparcie od trenerów i dużo ćwiczeń, aby wiedza, która zdobywasz na szkoleniu przełożyła się na praktykę z czystym sumieniem polecam ALX

Świetny prowadzący. Szczególnie podobało mi się to jak przedstawiał zagadnienia teoretyczne. W bardzo łatwy, przystępny i zrozumiały sposób. Chętnie kiedyś będę jeszcze raz uczestniczył w kursie prowadzonym przez Mariana. Zakres merytoryczny bardzo dobry. To, czego się dowiedziałem na pewno ułatwi i mi wiele rzeczy i pozwoli, że moja praca będzie szybsza, ciekawsza i bardziej wydajna.

Thank you very very much for the experience you provided. Definitely I have gain more knowledge during the classes and enjoyed very much. Thank you for the course. As a beginner, I gained a lot of fundamental knowledge and expanded my skills.

Forma zajęć

Dla wygody i możliwości pogodzenia zajęć m.in. z pracą wszystkich naszych Kursantów, zajęcia odbywają się wieczorami.

Kurs trwa 30 godzin: osiem spotkań - sesji Live (w formie webinaru), po trzy godziny zegarowe:

  • zajęcia dwa razy w tygodniu (poniedziałki i środy) w godzinach 18:00 - 21:00
  • dodatkowo, dla chętnych, w piątki o 18:00 odbywają się konsultacje online z prowadzącym (półtorej godziny).

Poza tym

Pomiędzy spotkaniami, co pewien czas będziemy dawać dodatkowe ćwiczenia, “prace domowe” (spokojnie, nieobowiązkowe 🙂 dla chętnych), czy też ciekawe artykuły do przeczytania.

Na konsultacjach (raz w tygodniu - dla chętnych), wykładowca nie wprowadza nowego materiału, tylko jest dostępny dla Ciebie. Możesz: otrzymać pomoc przy rozwiązywaniu ćwiczeń i problemów, odpowiedzi na ewentualne pytania, powtórzyć część materiału. Łącznie do dyspozycji jest 6 dodatkowych godzin konsultacji.

Uczymy się w grupie - to nie jest kolejny kurs video/e-learning do wyłącznie samodzielnej nauki. Dzięki grupie, zajęciom na żywo i konsultacjom masz realny kontakt z trenerem i innymi uczestnikami, możesz uczestniczyć w dyskusjach, dzielić się wiedzą, jak również zdobyć nowe kontakty.

Zajęcia są nagrywane. W razie potrzeby będzie możliwość dostępu do nagrań.

Harmonogram

Zajęcia odbywają się w godzinach 18:00 - 21:00, w dniach:

  • 17.06.2024 (poniedziałek), 19.06.2024 (środa),
  • 24.06.2024 (poniedziałek), 26.06.2024 (środa),
  • 01.07.2024 (poniedziałek), 03.07.2024 (środa),
  • 08.07.2024 (poniedziałek), 10.07.2024 (środa).

Dodatkowe konsultacje (dla chętnych): w godz. 18:00 - 19:30, w dniach:

  • 21.06.2024 (piątek),
  • 28.06.2024 (piątek),
  • 05.07.2024 (piątek),
  • 12.07.2024 (piątek).

Program

Zajęcia online 2 razy w tygodniu (poniedziałki i środy), w godzinach 18:00 - 21:00

Zapisz się na kurs
1
Wprowadzenie do AI, modeli językowych i GPT
  • Krótka historia i rozwój sztucznej inteligencji
  • Podstawowe pojęcia, GPT i LLM (Large Language Models)
  • Przegląd GPT (m.in. ChatGPT, GPT-3, GPT-4...) i LLM
  • Zastosowania GPT i LLM w różnych branżach
  • Wprowadzenie pojęć: przetwarzanie języka naturalnego (NLP), sieci neuronowe i uczenie głębokie (deep learning).
2
ChatGPT. Wykorzystanie w pracy biurowej. Prompt Engineering.
  • Webowy interfejs użytkownika. Konta, wersje modelu. Prompt, konwersacja.
  • Typy promptów: system, user, assistant, function
  • Taktyka tworzenia efektywnych promptów. One-shot, few-shot
  • Persona. Zarządzanie tonem i stylem odpowiedzi
  • Zarządzanie formatowaniem odpowiedzi
  • Optymalizacja i personalizacja promptów
  • Wstrzykiwanie i przechowywanie kontekstu. Długotrwałe sesje dialogowe
3
Prompty - przykłady zastosowań, dobre praktyki i wzorce.
  • Praktyczne przykłady zastosowań GPT i promptów w codziennej pracy.
  • Tworzenie dokumentów. Korekta, podsumowanie, przepisywanie tekstów. Tłumaczenia
  • Rozwiązywanie zadań. Odpowiedzi na pytania. Generowanie formuł i kodów, np. HTML, języki programowania
  • Przykładowe scenariusze dla wybranych branż i zastosowań
4
Krótkie porównanie dostępnych i alternatywnych modeli językowych.
  • ChatGPT, Gemini i Copilot
  • Różnice pomiędzy modelami językowymi, np. przy wykorzystaniu identycznych promptów
  • Pobieżne omówienie mocnych i słabych stron różnych modeli i ich wersji, np. przy zadaniach matematycznych, tłumaczeniach, dostępności do internetu i aktualnej wiedzy.
5
Inne usługi i ich integracje z ChatGPT - generowanie obrazów.
  • Generowanie obrazów i grafik: DALL-E i jego integracja z ChatGPT na poziomie interfejsu WWW
6
API OpenAI, jego zastosowania i integracja z własnymi aplikacjami. Tworzenie firmowych chatbotów i asystentów.
  • Konfiguracja i bezpieczeństwo korzystania z API OpenAI
  • Konta, koszty i opłaty
  • Rodzaje wywołań API. Punkty dostępu
  • Integracja Chat GPT z innymi modelami i usługami AI
  • Tworzenie własnych (np. firmowych) chatbotów i asystentów głosowych
7
Wprowadzenie do Machine Learning (ML). Podstawowe pojęcia, działanie, zastosowania.
  • Uporządkowanie definicji i pojęć
  • Analiza danych, ML, AI, sieci neuronowe, deep learning
  • Dane, algorytm, model, predykcja
  • Regresja i klasyfikacja
  • Błędy predykcji, ocena skuteczności, walidacja modeli
  • Uczenie nadzorowane, nienadzorowane. Uczenie ze wzmocnieniem (RL)
  • Krótki przegląd rodzajów technologii AI
8
Drzewa decyzyjne. Regresja i regresja logistyczna.

Zapoznanie uczestników z modelami drzew decyzyjnych oraz regresji logistycznej, na przykładzie wyboru leku lub terapii dla pacjentów. Słuchacze nauczą się, jak działają i jak tworzyć drzewa decyzyjne na podstawie przykładowych danych medycznych, aby identyfikować optymalne opcje leczenia.

8.1. Wprowadzenie do drzew decyzyjnych
  • Podstawowe pojęcia drzew decyzyjnych
  • Struktura drzewa decyzyjnego
  • Algorytmy tworzenia drzew decyzyjnych
8.2. Zastosowania drzew decyzyjnych w medycynie
  • Diagnoza chorób / procedury medyczne
  • Wybór leku lub terapii
  • Prognozowanie wyników leczenia
8.3. Tworzenie drzewa decyzyjnego do wyboru leku/terapii
  • Zbieranie i czyszczenie danych medycznych
  • Przygotowanie danych do analizy
  • Budowa drzewa decyzyjnego
8.4. Interpretacja drzewa decyzyjnego
  • Ocena dokładności drzewa decyzyjnego
  • Wizualizacja drzewa decyzyjnego
  • Wyciąganie wniosków z drzewa decyzyjnego
8.5. Zastosowanie drzewa decyzyjnego w praktyce medycznej
  • Wspomaganie procesu podejmowania decyzji o leczeniu
  • Komunikacja z pacjentami o wynikach analizy
  • Monitorowanie wyników leczenia
8.6. Wprowadzenie do regresji logistycznej
  • Pojęcie regresji. Przypomnienie najprostszej regresji liniowej
  • Regresja logistyczna. Podstawowe pojęcia.
  • Algorytm regresji logistycznej
  • Interpretacja wyników regresji logistycznej
  • Zastosowanie regresji logistycznej na przykładzie ochronie zdrowia
  • Implementacja regresji logistycznej
Case study

Podejmowanie decyzji w ochronie zdrowia - wybór leku kardiologicznego na podstawie wyników badań laboratoryjnych. Zastosowanie dwóch różnych modeli ML do tego samego problemu.

9
Systemy rekomendacyjne. Uczenie maszynowe na przykładzie e-commerce i w branży rozrywkowej.

Prezentacja wykorzystania regresji logistycznej w e-commerce. Uczestnicy nauczą się, jak stosować tę metodę do analizy danych o zachowaniu klientów i podejmowania decyzji biznesowych, które mogą zwiększyć sprzedaż i konwersję.

9.1. Zastosowanie regresji logistycznej w e-commerce
  • Predykcja (przewidywanie) konwersji
  • Segmentacja klientów
  • Rekomendacje produktów
  • Optymalizacja kampanii marketingowych
9.2. Implementacja regresji logistycznej w e-commerce
  • Zbieranie i czyszczenie danych
  • Przygotowanie danych do analizy
  • Budowa modelu regresji logistycznej
  • Ewaluacja modelu regresji logistycznej
Case study

Zastosowanie regresji logistycznej w praktyce e-commerce.

10
Metoda najbliższych sąsiadów (k-NN), collaborative filtering - i o tym, dlaczego Netflix zapłacił 1 mln $ za algorytm uczenia maszynowego do rekomendacji filmów i nie użył go.

Wykorzystanie metody najbliższych sąsiadów (k-nearest neighbors) i collaborative filtering do rekomendacji filmów. Kursanci nauczą się, jak stosować te metody do analizy danych o preferencjach użytkowników - na przykładzie rekomendowania przez aplikację filmów, które prawdopodobnie im się spodobają.

10.1. Wprowadzenie do rekomendacji produktów
  • Podstawowe pojęcia rekomendacji produktów
  • Wyzwania związane z rekomendowaniem produktów
  • Różne metody rekomendacji produktów
10.2. Metoda najbliższych sąsiadów (k-NN)
  • Podstawowe pojęcia metody k-NN
  • Wykorzystanie k-NN do rekomendacji filmów
  • Tuning parametrów k-NN
10.3. Collaborative filtering
  • Podstawowe pojęcia collaborative filtering
  • Różne rodzaje collaborative filtering
  • Wykorzystanie collaborative filtering do rekomendacji filmów
10.4. Ewaluacja systemów rekomendacji filmów
  • Metryki ewaluacji systemów rekomendacji
  • Porównywanie różnych metod rekomendacji
  • Optymalizacja systemu rekomendacji
10.5. Zastosowania rekomendacji produktów w praktyce
  • Implementacja systemu rekomendacji produktów
  • Wykorzystanie rekomendacji produktów w serwisach streamingowych
  • Wykorzystanie rekomendacji produktów w sklepach internetowych
Case study

Demo opracowania systemu rekomendacji filmów.

11
Wprowadzenie do Deep Learning. Głębokie sieci neuronowe w przetwarzaniu tekstu i obrazów.

Wprowadzenie do uczenia głębokiego (deep learning). Architektura systemów i wybrane zastosowania w przetwarzaniu tekstów i obrazu.

12
Przetwarzanie języka naturalnego (NLP) na przykładzie badania sentymentu wypowiedzi klientów (reakcje na produkt, usługę, brand).

Zapoznanie uczestników z podstawami przetwarzania języka naturalnego (Natural Language Processing - NLP) oraz z praktycznymi zastosowaniami tej dziedziny w różnych obszarach.

12.1. Wprowadzenie do NLP
  • Podstawowe pojęcia NLP
  • Architektura systemów NLP
  • Wybrane algorytmy NLP
12.2. Analiza tekstu
  • Przedstawianie i normalizacja tekstu
  • Segmentacja tekstu
  • Morfologia i tagowanie części mowy
  • Składnia i analiza składniowa
  • Semantyka i analiza semantyczna
12.3. Generowanie tekstu
  • Podstawowe techniki generowania tekstu
  • Generowanie tekstu opartego na regułach
  • Generowanie tekstu statystyczne
  • Generowanie tekstu oparte na sieciach neuronowych
12.4. Omówienie wybranych zastosowań NLP
  • NLP w wyszukiwarkach internetowych
  • NLP w systemach rekomendacyjnych
  • NLP w chatbotach
  • NLP w analizie opinii
  • NLP w przetwarzaniu języków obcych
Case study

Analiza sentymentu dotyczącego produktu/usługi/marki.

13
Przetwarzanie obrazów. Przewidujemy odmę opłucnową lub COVID19 na podstawie zdjęć RTG.

Zapoznajemy słuchaczy z technologią przetwarzania obrazów oraz z praktycznymi zastosowaniami tej dziedziny w wybranych obszarach.

13.1. Wprowadzenie do przetwarzania obrazów i deep learning
  • Podstawowe pojęcia przetwarzania obrazów i deep learning
  • Architektura sieci neuronowych konwolucyjnych (CNN)
  • Wybrane algorytmy przetwarzania obrazów i deep learning
13.2. Przedstawianie i wstępna obróbka obrazów
  • Formaty plików obrazów
  • Czytanie i zapisywanie obrazów
  • Konwersja formatów obrazów
  • Podstawowe operacje na obrazach (przycinanie, zmiana rozmiaru, zmiana koloru)
13.3. Segmentacja obrazu
  • Segmentacja obrazu oparta na progach
  • Segmentacja obrazu oparta na regionach
  • Segmentacja obrazu oparta na krawędziach
13.4. Rozpoznawanie obiektów
  • Klasyfikacja obrazów
  • Detekcja obiektów
  • Lokalizacja obiektów
13.5. Zastosowania przetwarzania obrazów i deep learning
  • Przetwarzanie obrazów medycznych
  • Analiza zdjęć satelitarnych
  • Rozpoznawanie twarzy
  • Automatyczne generowanie obrazu
Case study

Predykcja odmy opłucnowej (lub innej choroby, w zależności od użytego podczas prezentacji zbioru danych) na podstawie zdjęć RTG.

14
Analiza anomalii. Nadużycia w systemach finansowych.

Wprowadzenie do metod analizy anomalii i zastosowań sztucznej inteligencji w finansach - w szczególności do wykrywania i walki z nadużyciami.

14.1. Wprowadzenie do analizy anomalii
  • Podstawowe pojęcia analizy anomalii
  • Rodzaje anomalii (punktowe, kontekstowe, zbiorowe)
  • Wyzwania związane z wykrywaniem anomalii
14.2. Metody wykrywania anomalii
  • Metody statystyczne
  • Metody uczenia maszynowego
  • Metody oparte na sieciach neuronowych
14.3. Zastosowania analizy anomalii w systemach finansowych
  • Wykrywanie oszustw płatniczych
  • Wykrywanie prania brudnych pieniędzy
  • Wykrywanie manipulacji rynkiem
14.4. Implementacja analizy anomalii w systemach finansowych
  • Wybór odpowiedniej metody
  • Przygotowanie danych
  • Ewaluacja modeli
Case study

Analiza anomalii przykładowych danych finansowych/transakcyjnych.

15
Elementy zarządzania projektami AI. Cykl życia projektu uczenia maszynowego. Metodyka CRISP-ML(Q).
  • Wprowadzenie do CRISP-ML(Q)
  • Omówienie elementów metodyki.
  • Etapy procesu uczenia maszynowego.
  • Zbieranie i czyszczenie danych
  • EDA (Analiza Eksploracyjna Danych)
  • Budowanie i ewaluacja modelu
  • Tuning hiperparametrów
  • Wdrażanie i monitorowanie modelu
  • Zarządzanie projektami Al, metodyki i zarządzanie zespołami
16
Wdrażanie dużych modeli językowych bez korzystania z chmury - na przykładzie Llama 3.
  • Sytuacje i wymagania (m.in. regulacyjne), gdy nie chcemy lub nie możemy korzystać z rozwiązań chmurowych
  • Demonstracja implementacji rozwiązania na własnej infrastrukturze (on-premise) w oparciu o model Llama3
17
Zagadnienia etyczne i prawne w AI oraz wybrane narzędzia pomocnicze.
  • Etyczne wykorzystanie AI i uczciwość modeli
  • Zagadnienia prywatności i zarządzanie nią
  • Regulacje AI w różnych krajach i regionach
  • Aspekty prawne. Prawa autorskie do utworów powstałych w wyniku "pracy" AI
  • Społeczne konsekwencje rozwoju AI
  • Prezentacja innych, wybranych modeli i usług: Whisper (rozpoznawanie mowy - ASR i jego zastosowania), Sora (generowanie filmów na podstawie tekstu).

Trenerzy

Dr Lech Hubicki

Doświadczony programista i analityk danych specjalizujący się przede wszystkim w uczeniu maszynowym, uczeniu głębokim oraz sztucznej inteligencji. Posiada bogate doświadczenie w zakresie zarządzania projektami AI - kompetencje, zespoły, produkty, ramy pracy to jego chleb powszedni. Miłośnik wyzwań. Dąży do tworzenia kultury pracy opartej na rzetelnych informacjach i podejmowania decyzji na bazie twardych danych. Profesjonalista odnoszący liczne sukcesy i chętnie biorący na siebie odpowiedzialność za realizację najbardziej ambitnych projektów - i jednocześnie doświadczony trener, który z pasją przekazuje swoją wiedzę. Prowadzi zajęcia zarówno w języku polskim, jak i angielskim.

Python, zaawansowana analiza danych, zarządzanie w IT, Scrum.

Wykształcenie:
  • Uniwersytet Śląski w Katowicach - doktor nauk fizycznych,
  • University at Albany School of Public Health: Biostatystyka,
  • Uczelnia Łazarskiego w Warszawie: Studia podyplomowe, Negocjacje i mediacje w biznesie,
  • Uniwersytet Śląski w Katowicach: magister Fizyki Teoretycznej i Matematycznej.

Tomasz Kaniecki

Prawdziwy pasjonat programowania, który swoje zainteresowania rozwija od lat dziecięcych i komputerów 8-bitowych. Osiągnął poziom ekspercki w języku Python i wykorzystaniu go do zastosowań analitycznych, Machine Learning, sieci neuronowych i Deep Learning (jak też do projektów backendowych przy użyciu frameworków takich jak Django czy Flask). W toku swojej kariery brał również udział w projektach z wykorzystaniem Javy, swobodnie koduje w Javascript (Angular, React), PHP i C#. Na koncie ma wiele zakończonych sukcesem projektów – od silników baz danych po gry komputerowe.

Poza prowadzeniem szkoleń, pracuje jako architekt systemów ML wspomagających procesy zakupowe. Uczestniczył m.in. w projektowaniu systemów wczesnego ostrzegania opartych na ML, czy w pracach przy systemie automatycznego rozpoznawania tablic rejestracyjnych.

Na prowadzonych zajęciach, doświadczenie praktyczne pozwala mu przeplatać teorię z praktyką, z którą styka się na co dzień. Uczestnikami jego szkoleń było ponad tysiąc osób, prowadził zajęcia dla Klientów z takich firm jak m.in.: Deloitte, DM BOŚ, Agora, Novomatic Technologies, Daikin Europe, czy Amazon.

Wykształcenie:
  • Wojskowa Akademia Techniczna - mgr inż. cybernetyki.

Dr Rafał Latkowski

Konsultant programowy i gość specjalny

Ekspert w zakresie Machine Learning, Data Science i Data Analytics. W branży IT aktywny od 2000 toku. W swojej karierze wspierał firmy finansowe i telekomunikacyjne, programy lojalnościowe oraz sprzedaż detaliczną. Specjalizuje się w zarządzaniu procesami tworzenia i rozwoju zaawansowanych narzędzi analitycznych.

W PAYBACK od ponad 14 lat, gdzie odpowiedzialny jest za realizację i synchronizację rozwiązań z obszaru Data & Consumer Analytics, współpracę zespołów analitycznych oraz tworzenie przyszłości obszaru DATA poprzez migracje do nowych technologii. W wolnym czasie kontynuuje pracę naukową i dydaktyczną w zakresie Machine Learning.

Wykształcenie:
  • Absolwent Informatyki i Matematyki Uniwersytetu Warszawskiego,
  • Uzyskał stopień doktora na Polskiej Akademii Nauk.

Dołącz do nas!

check circle

30 godzin zegarowych zajęć na żywo.

8 spotkań online w formie webinaru po 3h + 4 konsultacje po 1.5h.

check circle

3% rabatu first minute.

Zapisz się z wyprzedzeniem przynajmniej 30 dni od startu szkolenia, aby uzyskać rabat 3%.

check circle

Finansowanie z budżetów firmowych, fakturowanie, formalności.

Wielu słuchaczy uzyskuje na nasz kurs dofinansowanie z budżetów swoich firm. Nie ma problemu z uzyskaniem od nas faktury proforma, czy ostatecznej, z ustalonymi danymi itp. Możemy również przygotować ofertę w PDF, czy po angielsku.

Pobierz program/ofertę szkolenia w PDF
check circle

Już od dwóch osób z firmy zapisujących się razem oferujemy atrakcyjne rabaty.

Cena Szkolenia

2990 PLN
  • dla firm: netto,
  • dla osób prywatnych: brutto - pokrywamy VAT,
  • podmioty publiczne: zwolnione z VAT.

Lub raty

zaliczka 500zł + pozostałość w dwóch równych ratach.

Dla osób prywatnych - możliwość rozłożenia płatności na trzy części. Raty są nieoprocentowane i całkowicie bezkosztowe. Nie korzystamy z żadnej zewnętrznej instytucji finansowej.

Więcej informacji o ratach
Zapisz się na kurs

Jeszcze się zastanawiasz?🤔

Nie przegap naszego szkolenia! Podaj swój adres e-mail, a powiadomimy Cię o kolejnych terminach.

Zapraszamy też do zapisania się na newsletter. Raz na kilka tygodni przesyłamy e-mail z informacjami o nowościach, ofertach i ciekawostkach w IT.

Zapisz się na newsletter
Masz pytanie?

Tu możesz zadać niezobowiązujące i szybkie pytanie na temat szkolenia

* Wyrażam zgodę na przetwarzanie danych osobowych przez ALX Academy sp. z o.o. z siedzibą w Warszawie w celu realizacji zgłoszenia.