Sztuczna inteligencja i analiza danych w Pythonie
Planowane rozpoczęcie
Cena
Czas trwania
Tryb nauki - stan na 16.06.26
STUDIA PODYPLOMOWE
Python stanowi obecnie standard w obszarze sztucznej inteligencji i analizy danych, będąc podstawowym narzędziem wykorzystywanym w nowoczesnych rozwiązaniach biznesowych, finansowych, administracyjnych i przemysłowych. Program studiów zakłada silny nacisk na praktyczne, projektowe kształcenie, umożliwiające nabycie umiejętności bezpośrednio wykorzystywanych w pracy zawodowej, takich jak praca z danymi, budowa i walidacja modeli uczenia maszynowego oraz wdrażanie rozwiązań opartych na AI.
Znajomość programowania w języku Python nie jest wymagana, zapewniamy 2 bloki wprowadzające do języka:
1. składnia podstawowa,
2. wprowadzenie do wykorzystania jezyka Python w analizach danych.
Dopiero po zaliczeniu tych dwóch bloków rozpoczynamy bloki tematyczne.
Kierunek w odróżnieniu od kierunku w ujęciu praktycznym jest nastawiony na naukę samodzielnego programowania analiz danych i ma rozszerzony program zajęć (240h).
Sztuczna inteligencja i analiza danych w Pythonie
Informacje o kierunku
Utworzenie studiów podyplomowych „Sztuczna inteligencja i analiza danych w Pythonie” odpowiada na rosnące zapotrzebowanie rynku pracy na specjalistów posiadających praktyczne kompetencje w zakresie analizy danych oraz wykorzystania metod sztucznej inteligencji i uczenia maszynowego. Dynamiczny rozwój technologii AI powoduje istotną lukę kompetencyjną pomiędzy wymaganiami pracodawców a ofertą kształcenia podyplomowego.
Prowadzenie projektu AI
Uczestnicy poznają cały proces wdrożenia AI – od identyfikacji obszarów biznesowych z potencjałem, przez projektowanie rozwiązania, po przygotowanie koncepcji wdrożenia. Nauczą się oceniać, gdzie AI może realnie wspierać firmę oraz jak zaplanować implementację w praktyce. Zajęcia podkreślają odpowiedzialne projektowanie (aspekty etyczne, prawne i społeczne) oraz pracę projektową w zespołach, które przygotują i zaprezentują własne propozycje wdrożeń.
Liczba godzin: 8
Liczba ECTS: 1
Uczenie maszynowe i sztuczna inteligencja w działaniu: krajobraz metod i zastosowań
Przedmiot obejmuje przegląd narzędzi i metod analizy danych oraz ich zastosowań. Uczestnicy poznają techniki data mining, uczenia nadzorowanego i nienadzorowanego, głębokiego uczenia oraz modele językowe (LLM). Zajęcia pokazują, jak AI i business intelligence wspierają decyzje biznesowe – od prognozowania i segmentacji po wykrywanie anomalii i optymalizację procesów. Omawiana jest interpretowalność modeli (XAI) oraz odpowiedzialne wykorzystanie algorytmów w praktyce.
Liczba godzin: 8
Liczba ECTS: 1
Data Preprocessing
Przedmiot wprowadza w kluczowe techniki przygotowania danych do analizy i modeli AI. Obejmuje czyszczenie, łączenie i transformację danych, obsługę wartości brakujących, inżynierię cech, standaryzację oraz detekcję anomalii. Uczestnicy nauczą się budować wysokiej jakości zbiory danych, gotowe do dalszych etapów modelowania i analizy.
Liczba godzin: 8
Liczba ECTS: 1
Metody i techniki zbierania oraz definiowania wymagań – zagadnienia zaawansowane
Przedmiot pogłębia wiedzę z zakresu zaawansowanych metod zbierania i dokumentowania wymagań. Obejmuje zarządzanie wymaganiami w dużych, zwinnych projektach (m.in. Scaled Agile Framework), zasady dekompozycji na poziomy Epic–Feature–User Story oraz pracę z Definition of Ready i Definition of Done.
Liczba godzin: 8
Liczba ECTS: 1
Programowanie w języku Python
Kurs wprowadza w zasady programowania w Pythonie i uczy pisania poprawnych, dobrze zorganizowanych skryptów. Uczestnicy poznają typowe błędy i sposoby ich unikania oraz zdobędą praktyczne umiejętności: korzystanie z instrukcji warunkowych, pętli, operacji na tekstach, tworzenie funkcji i klas. Nauczą się także podstaw analizy danych z użyciem bibliotek NumPy i Pandas, wykorzystując Python do rozwiązywania realnych problemów analitycznych.
Liczba godzin: 24
Liczba ECTS: 2
Analiza opisowa i wizualizacja danych w Pythonie
Przedmiot wprowadza w praktyczne metody analizy i wizualizacji danych w Pythonie. Uczestnicy nauczą się przetwarzać, eksplorować i interpretować dane z wykorzystaniem bibliotek takich jak Pandas, NumPy i Matplotlib / Seaborn. Kurs kładzie nacisk na tworzenie czytelnych wizualizacji, analizę trendów i zależności oraz budowanie zrozumiałych raportów wspierających decyzje biznesowe.
Liczba godzin: 20
Liczba ECTS: 2
Podstawy uczenia maszynowego
Kurs przedstawia teoretyczne podstawy sztucznej inteligencji i uczenia maszynowego, uzupełnione prostymi przykładami. Obejmuje kluczowe metody: regresję liniową i logistyczną, klasyfikację, proste sieci neuronowe oraz interpretację drzew decyzyjnych. Omawia też różnice między podejściem frekwencyjnym a bayesowskim (z przykładami w TensorFlow Probability), a także zagadnienia takie jak false discovery rate i „przekleństwo wymiarowości”.
Liczba godzin: 16
Liczba ECTS: 2
Uczenie maszynowe w Pythonie
Zajęcia łączą wprowadzenie do kluczowych narzędzi AI z praktycznymi aspektami analizy danych. Uczestnicy nauczą się przygotowywać dane do modeli, dobierać odpowiednie techniki uczenia maszynowego oraz oceniać ich skuteczność. Omówione przykłady pokażą, jak rozpoznawać sytuacje, w których rozwiązania oparte na AI mogą realnie wspierać procesy biznesowe i usprawniać podejmowanie decyzji.
Liczba godzin: 28
Liczba ECTS: 4
Data Mining w Pythonie
Przedmiot koncentruje się na praktycznych technikach data mining w Pythonie. Uczestnicy nauczą się odkrywać wzorce w danych, stosować metody klasyfikacji, regresji, klasteryzacji i wykrywania anomalii z użyciem bibliotek takich jak Pandas, scikit-learn i NumPy. Kurs pokazuje, jak przygotować dane, dobrać odpowiednie modele oraz interpretować wyniki tak, aby wspierały procesy analityczne i biznesowe.
Liczba godzin: 16
Liczba ECTS: 2
Wnioskowanie statystyczne w analizie danych
Przedmiot wprowadza kluczowe metody wnioskowania statystycznego wykorzystywane w data science. Uczestnicy poznają estymację punktową i przedziałową, testowanie hipotez, pracę z rozkładami oraz ocenę niepewności wyników. Zajęcia pokazują, jak stosować te narzędzia w praktycznej analizie danych i jak poprawnie interpretować rezultaty modeli.
Liczba godzin: 16
Liczba ECTS: 2
Zintegrowana Analiza Danych z wykorzystaniem SQL i Pythona
Przedmiot łączy techniki pracy z danymi w SQL i Pythonie, pokazując pełny proces ich pozyskiwania, przetwarzania i analizy. Uczestnicy nauczą się budować zapytania SQL, łączyć i oczyszczać dane oraz wykonywać analizy i wizualizacje w Pythonie. Kurs podkreśla praktyczne zastosowania — od przygotowania zbiorów danych po tworzenie raportów wspierających decyzje biznesowe.
Liczba godzin: 16
Liczba ECTS: 2
Deep Learning w TensorFlow/Keras: warstwy i architektury
Przedmiot wprowadza kluczowe elementy sieci neuronowych w środowisku TensorFlow/Keras. Uczestnicy poznają najważniejsze typy warstw, sposób budowy modeli sekwencyjnych i funkcjonalnych oraz podstawowe architektury stosowane w deep learningu. Zajęcia łączą teorię z praktyką, pokazując, jak projektować i konfigurować modele wykorzystujące współczesne techniki uczenia głębokiego.
Liczba godzin: 16
Liczba ECTS: 2
Deep Learning w PyTorch: trening i optymalizacja modeli
Przedmiot koncentruje się na praktycznym trenowaniu i usprawnianiu modeli głębokiego uczenia w PyTorch. Uczestnicy nauczą się implementować pętle treningowe, dobierać funkcje kosztu i optymalizatory, stosować regularizację, early stopping i tuning hiperparametrów. Kurs pokazuje, jak skutecznie trenować modele, oceniać ich jakość i przygotowywać je do wykorzystania w projektach analitycznych i AI.
Liczba godzin: 16
Liczba ECTS: 2
NLP w Pythonie
Przedmiot wprowadza w praktyczne metody przetwarzania języka naturalnego z wykorzystaniem Pythona. Uczestnicy nauczą się pracy z tekstem: czyszczenia i tokenizacji, reprezentacji wektorowych, analizy sentimentu, ekstrakcji informacji oraz budowy prostych modeli klasyfikacyjnych. Kurs obejmuje także nowoczesne podejścia oparte na embeddingach i modelach transformatorowych. Zajęcia łączą teorię z praktycznymi przykładami zastosowań NLP w analizie danych i systemach AI.
Liczba godzin: 16
Liczba ECTS: 2
Computer Vision w Pythonie
Przedmiot wprowadza w techniki komputerowego rozpoznawania obrazów z wykorzystaniem Pythona. Uczestnicy poznają metody przetwarzania i analizy obrazów, wykrywania obiektów, segmentacji oraz klasyfikacji z użyciem bibliotek takich jak OpenCV, scikit-image i modele głębokiego uczenia. Kurs pokazuje, jak budować proste systemy CV oraz jak wykorzystywać nowoczesne architektury sieci neuronowych w analizie danych wizualnych.
Liczba godzin: 16
Liczba ECTS: 2
Projekt dyplomowy
Realizacja własnego projektu będzie zwieńczeniem nauki na danej ścieżce studiów, a zarazem okazją do wykorzystania i rozwinięcia wszystkich nabytych w jego trakcie umiejętności. Tematy prac oraz opiekunowie – do wyboru. Projekt kończy się wspólnym seminarium dyplomowym.
Liczba godzin: 8
Liczba ECTS: 2
dr inż. Karol Flisikowski, prof. PG
karol.flisikowski@pg.edu.pl
Karol Flisikowski jest absolwentem Wydziału Elektroniki, Telekomunikacji i Informatyki oraz Wydziału Zarządzania i Ekonomii na Politechnice Gdańskiej, gdzie obronił w 2015 roku rozprawę doktorską w dyscyplinie ekonomia. W roku 2017 odbył staż na Uniwersytecie Porto, natomiast w latach 2018-2019 pracował na I-Shou University w Tajwanie. Od 5 lat jest wykładowcą na Chongqing Technology and Business University w Chinach. Od 18 lat jest pracownikiem Politechniki Gdańskiej, związanym z Katedrą Statystyki i Ekonometrii. Aktualnie zajmuje się modelowaniem ryzyka kredytowego i ograniczeń budżetowych gospodarstw domowych. W międzyczasie pracował także jako analityk kredytowy, budował modele scoringowe dla kilku instytucji finansowych. Obecnie zajmuje się głównie dydaktyką – prowadzi różnego typu kursy statystyczne (od niedawna również e-learningowo) oraz jest wykonawcą grantu „Mistrzowie dydaktyki”. Jest opiekunem naukowym studenckiego koła „Data Science Club”.
Prowadzi przedmioty:
Data Preprocessing; Analiza opisowa i wizualizacja danych w Pythonie; Wnioskowanie statystyczne w analizie danych.
dr inż. Natalia Gietka
natalia.gietka@pg.edu.pl
Natalia Gietka jest absolwentką Politechniki Gdańskiej, która w 2022 roku obroniła rozprawę doktorską w dyscyplinie inżynierii środowiska, górnictwa i energetyki. Po ponad 10 letniej pracy jako nauczycielka akademicka została specjalistką ds. gier edukacyjnych, koordynacji projektów IT i wdrażania nowoczesnych rozwiązań w Centrum Nowoczesnej Edukacji Politechniki Gdańskiej. Ma bogate doświadczenie we wdrażaniu technologii w edukacji, w tym w korzystaniu z platform e-learningowych oraz narzędzi do projektowania interaktywnych materiałów dydaktycznych. Jako osoba lubiąca nowoczesne technologie i gadżety wciąż testuje nowe narzędzia i technologie w tym także możliwości wykorzystania sztucznej inteligencji w procesie edukacji. Prowadzi szkolenia dla kadry akademickiej z zakresu narzędzi takich jak usługi w ramach Microsoft 365, platforma Moodle, Genially, Canva, H5P, ChatGPT oraz innych narzędzi GenAI. Aktywnie działa na rzecz transformacji cyfrowej w edukacji, dzieląc się wiedzą podczas warsztatów i konferencji dydaktycznych.
Prowadzi przedmiot:
Prowadzenie projektu AI.
dr inż. Aleksandra Karpus
alekarpu@pg.edu.pl
Aleksandra Karpus jest absolwentką Matematyki Stosowanej na Wydziale Fizyki Technicznej i Matematyki Stosowanej oraz Informatyki na Wydziale Elektroniki, Telekomunikacji i Informatyki Politechniki Gdańskiej. W latach 2011-2014 pracowała z danymi w przemyśle, wykorzystując bazy danych Oracle. Od 2014 roku jest zawodowo związana z Politechniką Gdańską, obecnie jest zatrudniona na stanowisku adiunkta naukowo-dydaktycznego w Katedrze Inżynierii Oprogramowania. W 2018 roku uzyskała tytuł doktora nauk technicznych w dyscyplinie Informatyka Techniczna. Uczestniczyła w szkołach letnich: Summer School on Ontological Engineering and Semantic Web 2013 i DeepLearn 2017. W latach 2014 i 2015 brała udział w stażach naukowych na Politecnico di Bari we Włoszech. Jest autorką publikacji naukowych w dziedzinach systemów rekomendacyjnych, inżynierii ontologii, uczenia maszynowego oraz informatyki afektywnej. Brała udział w grantach EMBOA – Affective loop in Socially Assistive Robotics as an intervention tool for children with autism i AI Tech – Akademia Innowacyjnych Zastosowań Technologii Cyfrowych.
Prowadzi przedmiot:
Data Mining w Pythonie.
dr Błażej Kochański
blazej.kochanski@pg.edu.pl
Błażej Kochański jest adiunktem w Katedrze Statystyki i Ekonometrii na Wydziale Zarządzania i Ekonomii Politechniki Gdańskiej i ekspertem ds. ryzyka bankowego. Pracował dla banków w Polsce i Europie jako specjalista ds. ryzyka, kierownik ds. planowania i analiz, członek zarządu ds. ryzyka, członek rady nadzorczej i konsultant ds. zarządzania. Zbudował liczne modele predykcyjne wspomagające zarządzanie ryzykiem, z sukcesem zarządzał portfelami kredytowymi, opracował skuteczne strategie zarządzania ryzykiem klientów detalicznych. Po dołączeniu do świata akademickiego jest gotowy dzielić się swoim doświadczeniem, wiedzą i intuicjami poprzez współpracę ekspercką, dydaktykę i publikacje naukowe.
Prowadzi przedmiot:
Uczenie maszynowe i sztuczna inteligencja w działaniu: krajobraz metod i zastosowań.
dr inż. Paulina Listewnik
pauliste@pg.edu.pl
Doktor nauk inżynieryjno-technicznych, absolwentka Politechniki Gdańskiej. Elektronik i optoelektronik. Od 2022 adiunkt badawczy na wydziale Elektroniki, Telekomunikacji i Informatyki Politechniki Gdańskiej, gdzie specjalizuje się w projektowaniu i wytwarzaniu optoelektronicznych czujników fotonicznych, wykorzystujące mikrostruktury światłowodowe oraz projektowaniu i wykonywaniu badań eksperymentalnych. Posiada doświadczenie w analizie i zarządzaniu danymi pomiarowymi, wykorzystując środowiska programistyczne takie jak Python i Matlab, co pozwala na efektywną interpretację otrzymanych wyników. Jest autorką licznych artykułów w czasopismach naukowych z zakresu optoelektroniki i fotoniki.
Prowadzi przedmiot:
Programowanie w języku Python.
dr inż. Aleksandra Nabożny
aleksandra.nabozny@gmail.com
Dr inż. Aleksandra Nabożny jest absolwentką Informatyki Społecznej na Polsko-Japońskiej Akademii Technik Komputerowych. Na tej uczelni broniła również pracę doktorską z zakresu rozpoznawania medycznej dezinformacji. Poprzez ścisłą współpracę z zespołem lekarzy tworzy interdyscyplinarny zespół dążący do wprowadzenia na rynek praktycznego narzędzia dla zwykłych użytkowników Sieci, które w oparciu o sztuczną inteligencję podpowie, czy odnalezione w Internecie informacje o zdrowiu są wiarygodne. Oprócz tego dr Aleksandra pracuje jako inżynier-konsultant ds. AI dla firmy BoomBit, oraz realizuje prace w grancie Narodowego Centrum Nauki dla Akademii Leona Koźmińskiego w Warszawie. Wiele lat już związana jest z Politechniką Gdańską prowadząc zajęcia z tematyki Business Intelligence, Baz Danych oraz przetwarzania tekstu i AI.
Prowadzi przedmiot:
NLP w Pythonie.
mgr inż. Adrian Najczuk
najczuk@gmail.com
Adrian Najczuk to ekspert w projektowaniu i wdrażaniu rozwiązań danych oraz automatyzacji procesów biznesowych, łączący inżynierię danych z praktycznym nauczaniem programowania i analityki. Pracuje z systemami bazodanowymi, integracją danych i narzędziami chmurowymi, budując skalowalne strumienie przetwarzania wspierające decyzje biznesowe. Prowadzi zajęcia z Python, SQL i podstaw ML, kładąc nacisk na pełny cykl pracy z danymi – od pozyskania po produkcję – z perspektywy ekonomicznej i inżynierskiej, szczególnie w optymalizacji procesów uczeniem maszynowym.
Prowadzi przedmiot:
Deep Learning w TensorFlow/Keras: warstwy i architektury.
mgr inż. Michał Laskowski
michallaskowski1@outlook.com
Absolwent Wydziału Elektroniki, Telekomunikacji i Informatyki Politechniki Gdańskiej (Inżynieria Danych) oraz Massachusetts Institute of Technology (MIT), gdzie uzyskał tytuł magistra na kierunku Business Analytics. Na co dzień pełni rolę Senior Data Scientist w WriteWise – amerykańskim startupie z obszaru ubezpieczeń farmaceutycznych. Ponad 5-letnie doświadczenie w data science zdobywał w branżach healthcare, pharma i FMCG, a także jako Research Assistant na MIT oraz Politechnice Gdańskiej badając interpretowalne metody uczenia maszynowego. Wierzy, że dane mają moc realnie zmieniać decyzje biznesowe. Pasjonat sportu i ciągłego rozwoju. Przez blisko dekadę związany z pływaniem wyczynowym, które do dziś pozostaje jego hobby.
Prowadzi przedmiot:
Uczenie maszynowe w Pythonie.
mgr inż. Natalia Potrykus
natalia.rita.potrykus@gmail.com
Na co dzień pracuje jako Machine Learning Engineer. Do tej pory brała udział w rozwoju projektów badawczych i komercyjnych, szczególnie w dziedzinie computer vision, process automation i smart city. Obecnie zajmuje się badaniem technik wykorzystania wiedzy z zakresu uczenia maszynowego w dziedzinie cyberbezpieczeństwa. Mieszka w Danii, gdzie podnoszę swoje kwalifikacje na Aarhus University i jeździ do Legolandu, jak nikt nie patrzy. Kiedy nie siedzi przy komputerze, to działa w wolontariackiej grupie ratowniczej, śpiewa we współczesnym chórze lub szyje rzeczy nie do końca praktyczne.
Prowadzi przedmioty:
Deep Learning w PyTorch: trening i optymalizacja modeli; Computer Vision w Pythonie.
mgr inż. Małgorzata Pykała
malgorzata.pykala@pg.edu.pl
Absolwentka kierunku Informatyka na Politechnice Gdańskiej. Zawodowo związana z Politechniką Gdańską jako nauczycielka akademicka w Katedrze Inżynierii Oprogramowania na Wydziale Elektroniki, Telekomunikacji i Informatyki. W pracy dydaktycznej koncentruje się na łączeniu kompetencji technicznych z myśleniem zorientowanym na użytkownika: od rozpoznania potrzeb, przez modelowanie danych i rozwiązań, po implementację i ocenę użyteczności. Aktywnie rozwija nowoczesne formy kształcenia, projektując interaktywne materiały dydaktyczne i wdrażając elementy grywalizacji, wspierające zaangażowanie studentów i efektywność uczenia. Dwukrotnie wyróżniona podczas gali „Święto Dydaktyki” (2024, 2025) za zaangażowanie w podnoszenie jakości kształcenia na Politechnice Gdańskiej. Jest współautorką publikacji naukowych dotyczących zastosowań e-technologii we wsparciu terapeutyczno-edukacyjnym oraz uczestniczy w międzynarodowych projektach badawczo-dydaktycznych.
Prowadzi przedmiot:
Zintegrowana Analiza Danych z wykorzystaniem SQL i Pythona.
dr inż. Mateusz Radzimski
mateusz.radzimski@gmail.com
Dr Mateusz Radzimski ukończył swój doktorat z zakresu sztucznej inteligencji i przetwarzania języka naturalnego na Uniwersytecie Carlosa III w Madrycie, gdzie obronił swoją pracę doktorską „cum laude”. Zawodowo jest doświadczonym menedżerem z udokumentowanym doświadczeniem w kierowaniu zespołami, budowaniem jezior danych oraz systemów przetwarzania i analizy danych. Obecnie pracuje w Nike, a wcześniej pełnił podobne stanowiska w startupie Userlane w Monachium oraz w banku Nordea w Gdańsku. Obecnie zajmuje się optymalizacją wdrażania i zarządzania modelami uczenia maszynowego w chmurze.
Prowadzi przedmiot:
Podstawy uczenia maszynowego.
dr inż. Sebastian Wilczewski
sebastian.wilczewski@pg.edu.pl
Dr inż. Sebastian Wilczewski. Od ponad 20 lat w branży IT. Obecnie jest zatrudniony w firmie Nordea jako lider międzynarodowego zespołu analityków IT oraz jako adiunkt na Wydziale Zarządzania i Ekonomii Politechniki Gdańskiej. Swoje doświadczenia zbierał w różnych obszarach IT: zarządzanie wymaganiami funkcjonalnymi i niefunkcjonalnymi (BABOK, IREB), zarządzanie projektami i portfelami (w podejściu zwinnym i klasycznym), zarządzanie usługami IT (ITIL), zarządzanie wiedzą. Pracował dla firm z różnych sektorów (wytwarzanie oprogramowania, bankowość, energetyka, sektor publiczny, ubezpieczenia, inne). Chętnie dzieli się wiedzą jako wykładowca, prelegent, menadżer i konsultant na studiach podyplomowych, konferencjach oraz w moich książkach, artykułach i webcastach. Posiada prestiżowe certyfikaty: PMP (Project Management Professional), certyfikaty ITIL czy Microsoft Most Valuable Professional (MVP) oraz tytuł doktora nauk o zarządzaniu i ekonomii.
Prowadzi przedmiot:
Metody i techniki zbierania oraz definiowania wymagań – zagadnienia zaawansowane.
- Studia są realizowane przez 2 semestry, zajęcia odbywają się średnio co dwa tygodnie, w piątki (w godz. 16.00 – 20.00) i soboty (w godz. 8.00 – 16.00).
- Zajęcia będą odbywały się z wykorzystaniem prywatnych komputerów uczestników,
Aktualności aplikacyjne
- PIERWSZA EDYCJA TRWA!
Kontakt
Kierownik Studiów Podyplomowych
Sekretariat
Lifelong Education Office
Pokój 305, gmach WZiE
E-Mail: leo.wzie@pg.edu.pl
T: +48 518 025 641
Godziny otwarcia:
WTOREK : 14-18
CZWARTEK: 11-15
Referencje
Dlaczego studia na PG?