Kompleksowy program Data Science i Machine Learning z Python jako głównym językiem. Od manipulacji danymi z Pandas i NumPy po implementację modeli Deep Learning z TensorFlow/Keras, przez klasyczne ML z Scikit-Learn. Obejmuje również umiejętności MLOps do wdrażania i utrzymywania modeli w produkcji z Docker, FastAPI i platformami chmury.
Nowoczesny Python z programowaniem obiektowym i najlepszymi praktykami
Manipulacja danymi z Pandas, NumPy i SQL (BigQuery)
Wizualizacja z Matplotlib, Seaborn i Plotly
Statystyka opisowa i wnioskowa z Statsmodel
Machine Learning z Scikit-Learn i XGBoost (regresja, klasyfikacja, klasteryzacja)
Deep Learning z TensorFlow i Keras (CNN, RNN, Transformers)
NLP i GenAI z Hugging Face, LangChain i LLM (GPT, Gemini)
MLOps z MLflow, Docker, FastAPI i Streamlit
Środowiska deweloperskie: Jupyter, Google Colab
Wdrażanie w chmurze z Google Compute, Cloud Storage i GPU
Najważniejsze pojęcia do zrozumienia tej technologii i zdania rozmów
Python: typy, struktury danych, OOP, dekoratory, generatory, menedżery kontekstu
NumPy: tablice, broadcasting, indeksowanie, operacje wektoryzowane, algebra liniowa
Pandas: DataFrame, Series, indeksowanie, groupby, merge, pivot, serie czasowe
SQL: SELECT, JOIN, GROUP BY, funkcje okna, CTE, optymalizacja zapytań
Wizualizacja: Matplotlib (figure, axes, subplot), Seaborn (wykresy statystyczne), Plotly (interaktywne)
Statystyka: rozkłady, testy hipotez, przedziały ufności, regresja
Feature Engineering: kodowanie, skalowanie, selekcja cech, tworzenie cech
ML nadzorowane: regresja liniowa/logistyczna, drzewa, Random Forest, XGBoost, metryki
ML nienadzorowane: K-Means, klasteryzacja hierarchiczna, PCA, t-SNE
Pipeline ML: podział train/test, walidacja krzyżowa, strojenie hiperparametrów, overfitting
Deep Learning: perceptrony, propagacja wsteczna, funkcje aktywacji, optymalizatory, funkcje straty
CNN: konwolucje, pooling, architektury (ResNet, VGG), transfer learning
RNN/LSTM: sekwencje, zanikający gradient, mechanizm uwagi, Transformery
NLP: tokenizacja, embeddingi, word2vec, BERT, fine-tuning LLM
MLOps: wersjonowanie (MLflow), konteneryzacja (Docker), API (FastAPI), monitorowanie
Chmura: Google Cloud (Compute, Storage, BigQuery), trenowanie GPU, Vertex AI
Etyka AI: stronniczość, wyjaśnialność (SHAP, LIME), sprawiedliwość, RODO
Odkryj nasze najnowsze artykuły i poradniki o Data Science & ML
Kompletny przewodnik po feature engineering w uczeniu maszynowym: kodowanie zmiennych, skalowanie, transformacje, selekcja cech i pytania rekrutacyjne na 2026 rok.
Porownanie PyTorch i TensorFlow w 2026 roku: torch.compile vs XLA, debugowanie, ekosystem, wdrazanie modeli produkcyjnych i pytania rekrutacyjne. Kompleksowy przewodnik dla inzynierow ML.
Praktyczny przewodnik po NumPy 2.1, Pandas 2.2 i Scikit-Learn 1.6 w Pythonie 3.12. Od czyszczenia danych przez inżynierię cech po kompletny pipeline ML — z pełnymi przykładami kodu.