loader image

Sztuczna inteligencja i automatyzacja procesów biznesowych w ujęciu technicznym

słowa kluczowe: IT, AI, sztuczna inteligencja
agsdi-calendar

Planowane rozpoczęcie

Luty 2024
agsdi-wallet

Cena

4400 zł
agsdi-calendar-check

Czas trwania

2 semestry / 170 godzin
agsdi-learn

Tryb nauki - stan na 28.03.24

stacjonarny

STUDIA PODYPLOMOWE

Wybierz zawód przyszłości z ogromnym potencjałem!

Studia podyplomowe z podstawy AI w biznesie – ścieżka techniczna adresowane są do inżynierów, analityków biznesowych, matematyków, statystyków, ekonomistów, którzy dla osiągnięcia przewagi konkurencyjnej potrzebują coraz bardziej wydajnego zaplecza technologicznego. Na zajęciach uczymy programowania w języku Python oraz elementarza języka R. W programie znajdą się takie kursy jak: uczenie maszynowe, deep learning, statystyczna analiza danych, wizualizacja i analiza danych.

Sztuczna inteligencja i automatyzacja procesów biznesowych w ujęciu technicznym

Informacje o kierunku

Na studiach dużo czasu poświęcamy na naukę programowania w języku Python (46 godzin), a słuchacze zdobędą umiejętności samodzielnego testowania wybranych algorytmów sztucznej inteligencji.

Na koniec studiów zadaniem słuchaczy będzie zaprojektowanie własnego raportu analitycznego – rozwiązanie konkretnego problemu z zakresu ML/AI/NLP/DL i jego prezentacja na ostatnim zjeździe. 

Uwaga: Zajęcia laboratoryjne będą odbywały się z wykorzystaniem prywatnych komputerów uczestników. 

Rewolucja technologiczno-gospodarcza
Opis: W ramach przedmiotu wyjaśnia się na czym polega rewolucja technologiczno-gospodarcza dokonująca się obecnie w świecie, także powoli w Polsce, również pokazuje się wpływ tej rewolucji na gospodarkę, na zmianę modeli biznesowych, na zmianę zapotrzebowania na pracowników zarówno tych wysokokwalifikowanych, ale też zmianę pozycji na rynku tych niskokwalifikowanych.

Prowadzący: prof. dr hab. Ewa Lechman

Liczba godzin: 4

Analiza biznesowa i jej zastosowanie w sztucznej inteligencji - metody i narzędzia specyfikowania procesów
Opis: Zajęcia pozwalają na nabycie praktycznej wiedzy i umiejętności z zakresu modelowania procesów za pomocą notacji BPMN ze szczególnym uwzględnieniem elementów procesów możliwych do zoptymalizowania i wprowadzenia sztucznej inteligencji. Słuchacze poznają specyfikę notacji i jej zastosowanie w podejściu do różnych dziedzin przemysłu, gdzie współcześnie wykorzystywana jest sztuczna inteligencja.

Prowadzącydr inż. Kamil Brodnicki

Liczba godzin: 12

Metody i techniki zbierania oraz definiowania wymagań – zagadnienia zaawansowane
Opis: Celem przedmiotu jest zaznajomienie słuchaczy z zagadnieniami zaawansowanymi związanymi z metodami i technikami zbierania oraz dokumentowania wymagań. Wiedze podstawowa zostanie rozszerzone o zagadnienie związane z zarządzaniem wymaganiami w dużych (skalowalnych) rozwiązaniach realizowanych w podejściu zwinnym poprzez odniesienie się do takich metodyk jak np. Scaled Agile Framework i innych. Omówione zostaną zasada dekompozycji wymagań i ich opisywania na poszczególnych poziomach dekompozycji: Epic, feature, user story oraz zagadnienie związane z Definition of Ready (DoR) oraz Definition of Done (DoD).

Prowadzący: dr inż. Sebastian Wilczewski

Liczba godzin: 8

Prowadzenie projektu AI
Opis: W ramach przedmiotu zostaną ukazane istniejące już rozwiązania, a także nisze, w których sztuczna inteligencja mogłaby być zastosowana, bądź rozwinięta. Zidentyfikowane zostaną możliwości wdrożenia sztucznej inteligencji w konkretnych procesach biznesowych, a także wskazane zostaną ewentualne błędy, które na tej ścieżce można popełnić. Wskazane kwestie zostaną przedstawione na podstawie wybranych przykładów biznesowych. Ponadto w ramach przedmiotu zostanie pokazana ścieżka zespołu badawczo-rozwojowego od sformułowania problemu społeczno-gospodarczego, aż do wdrożenia rozwiązania AI.

Prowadzący: mgr Jakub Borkowski

Liczba godzin: 8

Programowanie w języku Python – podstawy dla ścieżki technicznej
Opis: Podczas kursu zaprezentowane zostaną szczegółowe zasady programowania w języku Python, nauczą się samodzielnie pisać skrypty w prawidłowy i ustrukturyzowany sposób. Uczestnicy kursu poznają również sposoby unikania najczęstszych błędów popełniać przy tworzeniu skryptów, będą swobodnie posługiwać się językiem programowania Python w celu rozwiązywania rzeczywistych problemów biznesowych. Zaprezentowane zostaną następujące tematy: Typy zmiennych; Podstawowe operatory logiczne; Listy; Podstawowe operacje na ciągach znaków; Pętle; Zdania warunkowe; Funkcje; Klasy; Słowniki; Instrukcje warunkowe if-else; Pętle; Operacje na ciągach znaków; Tworzenie funkcji i klas; Analiza danych z wykorzystaniem bibliotek: Numpy i Pandas.

Prowadzący: dr inż. Paulina Listewnik

Liczba godzin: 24

Programowanie w języku Python – analiza danych i wizualizacja
Opis: Kurs obejmuje szczegółowe rozmienia i naukę analizy danych. Zaprezentowane i omówione zostaną różnorodne techniki prezentowania danych wizualnie. W trakcie kursu uczestnicy zapoznają się ze stosowaniem bibliotek wizualizacyjnych w Pythonie: Maplotlib oraz Seabor. Słuchacze poznają również zasady i sposoby używania bibliotek: Pandas, i Numpy w celu pracy z próbką danych. Szczególny nacisk zostanie położyna na naukę wprowadzania danych, ich przekształcania ze względu na cel analizy, analizowania i wizualizowania. Wykorzystane zostaną rzeczywiste zbiory danych. W tym kursiei zaprezentowane zostaną następujące tematy: Importowanie i eksportowanie danych; Analiza danych za pomocą Numpy; Analiza danych za pomocą Pandas; Agregacja danych; Tworzenie powiązań; Budowanie prostych modeli regresji liniowej; Tworzenie histogramów, wykresów pudełkowych, wykresów słupkowych przy użyciu Biblioteki Matplotlib; Tworzenie histogramów, wykresów pudełkowych, wykresów słupkowych przy użyciu Biblioteki Seaborn; Tworzenie grafów interaktywnych przy użyciu biblioteki Plotly.

Prowadzący: mgr Robert Benke

Liczba godzin: 16

Podstawy uczenia maszynowego
Opis: Kurs przybliży teorię AI, co pozwoli stosować uczenie statystyczne, czyli też AI, w sposób optymalny i współmierny do potrzeb. Zajęcia będą głównie teoretyczne, uzupełnione przykładami. Omówione zostaną tutaj zagadnienia związane z uczeniem maszynowym takie jak, regresja liniowa, logistyczna, problemy klasyfikacyjne, proste sieci neuronowe, a także wyjaśnianie drzew decyzyjnych. Ponadto przybliżę różnice w podejściu frekwencyjnym i bayesowskim poparte przykładami z użyciem tensorflow probability. Poza tym zostaną omówione zagadnienia, takie jak "false discovery rate" oraz tak zwane przekleństwo wielowymiarowości.

Prowadzący: mgr inż. Mateusz Serocki

Liczba godzin: 12

Uczenie maszynowe w Pythonie
Opis: Zajęcia będą podzielone na wprowadzenie do używanych narzędzi, a później rozwinięcie praktycznych aspektów posługiwania się AI. Ponadto omówione zostaną techniki przygotowania danych tak, aby projektowane rozwiązania były optymalne. Przytoczone zostaną konkretne przykłady, co ułatwi w przyszłości identyfikację zapotrzebowania na rozwiązanie uczenia maszynowego w biznesie.

Prowadzący: dr inż. Mateusz Radzimski

Liczba godzin: 16

Statystyczna analiza danych
Opis: Rozszerzony kurs analizy danych. W części pierwszej omówione zostaną aspekty podstawowej analizy danych – od przygotowania danych do analizy (brakujące obserwacje; duplikaty; obserwacje odstające; błędy w formatach; czyszczenie danych itp.) aż po statystykę opisową i podstawy wnioskowania. W części drugiej – modelowanie statystyczne (modele regresji i szeregów czasowych) – podstawowe pojęcia, dobór zmiennych, własności i porównywanie modeli, testowanie modelu, prognozowanie/klasyfikacja, publikowanie raportu.

Prowadzący: dr inż. Karol Flisikowski, prof. PG

Liczba godzin: 16

Praktyczne przygotowanie automatyzacji procesów (RPA)
Opis: Przedmiot „Przygotowanie procesów automatyzacji i robotyzacji (RPA) w praktyce” pozwoli na poznanie możliwości, jakie daje zastosowanie. Robotic Proces Automation w organizacjach. Automatyzacja procesów będąc często atrakcyjną alternatywą wobec implementacji zmian w systemach informatycznych, pozwala na uwolnienie pracowników od powtarzalnych, nudnych zadań, pozwalając się skupić na procesach wymagających inteligencji. Słuchacze przejdą praktyczną ścieżkę, jaka realizowana jest w organizacjach, które zdecydowały się na zastosowanie robotyzacji a więc od wyboru procesów właściwych do zastosowania automatów, poprzez przygotowanie środowiska automatyzacji, aż do wykonania własnego bota i jego uruchomienie. Słuchacze poznają również dobre praktyki i ryzyka związane z zastosowaniem robotyzacji, aby być przygotowanym na wykorzystanie wiedzy w organizacjach różnych rozmiarów i o różnym profilu działalności.

Prowadzący: dr Grażyna Musiatowicz-Podbiał

Liczba godzin: 8

Warstwy sieci neuronowych w tensorflow
Opis: Przedmiot ma za zadanie przedstawienie framework'a tensorflow w kontekście sztucznych sieci neuronowych. Szczegółowo zostaną omówione podstawy sieci neuronowych, typy neuronów, typy warstw oraz algorytm propagacji wstecznej. Zaprezentowane zostaną również przykładowe zastosowania sieci oraz sposoby ich realizacji. W skrócie zostanie opisana instalacja tensoflow i zagadnienie kompatybilności z GPU. Następnie zostanie przedstawione sekwencyjne API tensorflow, możliwe warstwy, sposoby uczenia oraz istotne parametry. API zostanie zaprezentowane na szeregu przykładów z użyciem zewnętrznych dataset'ów.

Prowadzący: dr inż. Aleksandra Karpus

Liczba godzin: 12

Architektury sieci neuronowych i ich uczenie w tensorflow
Opis: Przedmiot przybliży słuchaczom zagadnienia związane z głębokimi sieciami neuronowymi. Począwszy od normalizacji batch'owej, poprzez zanurzenie danych i dostrajanie skomplikowanych sieci głębokich takich jak VGG czy ResNet. Następnie zostaną przedstawione rekurencyjne sieci neuronowe, w szczególności z nastawieniem na warstwy typu LSTM i GRU. Jako przykład zastosowania zostanie przedstawiona klasyfikacja tekstu. Zostanie również zaprezentowana architektura auto-enkoderów wraz z ich zastosowaniem oraz funkcjonalne API Kerasa.

Prowadzący: dr inż. Aleksandra Karpus

Liczba godzin: 12

Przetwarzanie języka naturalnego w Pythonie
Opis: W tym kursie omówiona zostanie dogłębnie analiza języka ludzkiego. Przybliżone zostaną szczegóły wydobywania (text mining) i obróbki danych tekstowych, a także analizy sentymentu danej wypowiedzi. Ponadto przybliżone zostaną najbardziej aktualne modele NLP. Uczestnicy nauczą się opracowywać własne algorytmy z użyciem bibliotek: CoreNLP, NLTK, gensim, spaCy. Zostaną omówione następujące zagadnienia: Wprowadzenie do NLP; Przykłady użycia NLP; Biblioteki NLP w Python; Text Mining z użyciem Python; Analiza sentymentu w Python; Osadzanie słów (Word embeddings); Word2Vec; Doc2Vec; Glove; Fasttext; Osadzanie słów w Python; Name Entity Recognition; Wstęp do NER; Użycie wstępnie trenowanych modeli; Jak przygotować dane? Tworzenie modelu NER w Python. Absolwenci i absolwentki kursu będą w stanie dokonać analizy tekstu i zrozumieć wynikające z niego dane. Będą w stanie dokonać osadzeni słów przy użyciu Pythona. Poznają zasady pisania modeli w celu analizy nastroju i modeli NER.

Prowadzący: dr inż. Aleksandra Nabożny

Liczba godzin: 8

Computer Vision w Pythonie
Opis: Podczas realizacji przedmiotu zostaną przedstawione zaawansowane algorytmy z dziedziny Computer Vision. Słuchacz dowie się jak dokonać segmentacji obrazu klasyfikując każdy piksel z osobna, wykorzystując sieć typu U-Net. Ponadto nauczy się detekcji obiektów na obrazie z wykorzystaniem algorytmów takich jak YOLO. Poruszone zostaną także tematy optycznego rozpoznawanie znaków i detekcji punktów charakterystycznych.

Prowadzący: mgr inż. Natalia Potrykus

Liczba godzin: 8

Prezentacja projektów

Opis: 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.

Prowadzący: dr inż. Karol Flisikowski, prof. PG

Liczba godzin: 6

łącznie godzin: 170
mgr Robert Benke

mgr Robert Benke

email: robert.benke@pg.edu.pl

Asystent (doktorant) w Katedrze Architektury Systemów Komputerowych Wydziału Elektroniki, Telekomunikacji i Informatyki Politechniki Gdańskiej. Ostatnia publikacja: Klasyfikacja tekstu przy użyciu grafowych sieci neuronowych, gdzie opisano dwie metody grafowej reprezentacji tekstu oraz algorytm grafowych sieci konwolucyjnych.

Przedmiot: Programowanie w jęz. Python – analiza danych i wizualizacja

mgr Jakub Borkowski

mgr Jakub Borkowski

email: jakub.borkowski@chionis.co

Absolwent matematyki finansowej, mól książkowy, pasjonat muzyki i lekkiego życia. Nieznosząca bezczynności dusza wciąż zmusza mnie do biegu w poszukiwaniu nowych ścieżek rozwoju. Ostatnio ukończyłem pracę z zakresu automatycznej diagnozy zdjęć RTG, nauczyłem się poprawnie piec soufflé i zarządzać niewielkim hotelem. Ponadto wraz z kolegą ze studiów zdecydowaliśmy się założyć zespół, który opracował oparte na wyjaśnialnej sztucznej inteligencji rozwiązanie dla lokalnej sieci placówek medycznych. Moje główne zainteresowania to marketing marki, podróże (głównie Afryka i Kaukaz Południowy), etno, jazz, sirtaki, tennis, narciarstwo, projekty graficzne i wykorzystanie wysokich technologii w medycynie.

Przedmiot: Prowadzenie projektu AI

dr inż. Kamil Brodnicki

dr inż. Kamil Brodnicki

email: kamil.brodnicki@zie.pg.gda.pl

Kamil Brodnicki jest asystentem w Katedrze Informatyki w Zarządzaniu na Wydziale Ekonomii i Zarządzania Politechniki Gdańskiej. Od 2017 roku jest kierownikiem laboratorium Customer Experience. Od 2011 roku pracuje w jednej z trójmiejskich firm IT jako Analityk Systemów Informatycznych, realizując projekty z branży finansowej. Jego zainteresowania badawcze koncentrują się w następujących obszarach: ergonomia i użyteczność w projektach informatycznych, analiza biznesowa i systemowa w IT, zastosowanie Design Thinking w funkcjonowaniu przedsiębiorstw.

Przedmiot: Analiza biznesowa i jej zastosowania w AI - metody i narzędzia specyfikowania procesów

dr inż. Karol Flisikowski, prof. PG

dr inż. Karol Flisikowski, prof. PG

email: 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".

Przedmiot: Statystyczna analiza danych

dr inż. Aleksandra Karpus

dr inż. Aleksandra Karpus

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.

Przedmiot: Architektury sieci neuronowych i ich uczenie w tensorflow oraz Warstwy sieci neuronowych w tensorflow

prof. dr hab. Ewa Lechman

prof. dr hab. Ewa Lechman

email: ewa.lechman@zie.pg.gda.pl

Absolwentka Wydział Ekonomicznego Uniwersytetu Gdańskiego, od roku 2002 zatrudniona na Wydziale Zarządzania i Ekonomii Politechniki Gdańskiej, gdzie w 2007 obroniła rozprawę doktorską z zakresu ekonomii rozwoju oraz nowych technologii. W 2016 roku uzyskała stopień doktora habilitowanego w dziedzinie nauk ekonomicznych. Jej zainteresowania naukowe koncentrują się wokół zagadnień związanych z ekonomią rozwoju, zaś w szczególności skupiają się wokół problematyki rozwoju społeczno-gospodarczego, ze szczególnym uwzględnieniem roli technologii informacyjnych i komunikacyjnych, jako jego determinant. Kierownik i współwykonawca grantów badawczych finansowanych przez Narodowe Centrum Nauki, Narodowy Bank Polski, CERGE-EI Global Development Network. Za prowadzoną działalność recenzencką w czasopismach naukowych, w roku 2013 otrzymałam międzynarodową nagrodę Emerald Literati Network 2013 Awards for Excellence przyznaną przez wydawnictwo Emerald Insight. Prowadzi szeroko zakrojoną działalność ekspercką w ramach której współpracuje m.in. z Agencją Rozwoju Pomorza w zakresie (od 2009 jest członkiem Zespołu Ekspertów, przy Agencji Rozwoju Pomorza, ds. oceny projektów małych i średnich przedsiębiorstw, składanych w ramach Funduszy Unii Europejskiej), od 2013 – członek Kapituły konkursu Gdyński Biznes Plan. Ekspert ds. oceny ex- post w projektach Narodowego Centrum Badań i Rozwoju (m.in. Take Off Austria, Competence Centres for Excellent Technologies).

Przedmiot: Rewolucja technologiczno-gospodarcza

dr inż. Paulina Listewnik

dr inż. Paulina Listewnik

email: 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.

Przedmiot: Programowanie w języku Python - podstawy dla ścieżki technicznej

dr Grażyna Musiatowicz-Podbiał

dr Grażyna Musiatowicz-Podbiał

email: Grazyna.Podbial@pg.edu.pl

Dr Grażyna Musiatowicz-Podbiał jest zatrudniona na stanowisku adiunkta w Katedrze Informatyki w Zarządzaniu, Wydziału Zarządzania i Ekonomii Politechniki Gdańskiej Przez ponad 20 lat pracowała w instytucjach administracji państwowej oraz firmach sektora finansowego, m.in. w Nordea Bank Polska, GE Money Bank, Meritum Bank, Alior Bank i Nest Bank, zajmując stanowiska związane zarówno z informatyką i bezpieczeństwem teleinformatycznym, jak i zarządzając komórkami operacyjnymi i administracyjnymi. Ostatnie kilkanaście lat zarządzała zespołami specjalistów, zajmując kolejno stanowiska dyrektorskie jak i zasiadając w zarządach spółek. Aktualnie przekazuje zdobytą wiedzę i doświadczenie studentom w trakcie prowadzonych zajęć oraz rozwija swoje zainteresowania naukowe.

Przedmioty: Praktyczne przygotowanie automatyzacji procesów (RPA)

dr inż. Aleksandra Nabożny

dr inż. Aleksandra Nabożny

email: 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.

Przedmiot: Przetwarzanie języka naturalnego w Pythonie

mgr inż. Natalia Potrykus

mgr inż. Natalia Potrykus

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.

Przedmiot: Computer Vision w Pythonie

dr inż. Mateusz Radzimski

dr inż. Mateusz Radzimski

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.

Przedmiot: Uczenie maszynowe w Pythonie

mgr inż. Mateusz Serocki

mgr inż. Mateusz Serocki

Inżynier uczenia maszynowego, pasjonat data science. Posiada 7 letnie doświadczenie komercyjne, ukończył matematykę na Politechnice Gdańskiej osiągając tytuł magistra. Aktualnie rozwija się w zakresie GenAI. Jego najmocniejsze strony to Machine Learning oraz AWS. Specjalizuje się w rozwiązywaniu problemów regresji oraz klasyfikacji. Hobbystycznie gra w siatkówkę.

Przedmiot: Podstawy uczenia maszynowego

dr inż. Sebastian Wilczewski

dr inż. Sebastian Wilczewski

email: swilczewski@zie.pg.gda.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.

Przedmiot: Metody i techniki zbierania oraz definiowania wymagań - zagadnienia zaawansowane

Zajęcia odbywają się średnio dwa razy w miesiącu i są prowadzone przez 10 miesięcy z pominięciem wakacyjnych.

Zajęcia laboratoryjne (czyli większość) będą się odbywały na prywatnych komputerach uczestników ze względu na:

  • możliwość tworzenia indywidualnych kont użytkowników na platformach dostawców oferujących rozwiązania AI jako usługi internetowe
  • możliwość pracy nad rozwiązaniami pomiędzy zajęciami, np. w domu
  • możliwość zachowania wypracowanych przez użytkowników kodów źródłowych.

Aktualności aplikacyjne

  • Planowane rozpoczęcie – luty 2024

Kontakt

Kierownik Studiów Podyplomowych

dr inż. Karol Flisikowski, prof.PG
pokój 708 gmach B
karol.flisikowski@pg.edu.pl

 

Sekretariat

mgr inż. Joanna Gryczka
pokój 116 gmach WZiE
joanna.gryczka@zie.pg.edu.pl
T: +48 58 347 19 22

Referencje

Szczerze polecam!

Szczerze polecam studia podyplomowe na PG. Dużo ciekawych rozwiązań, casów z innych firm i przede wszystkim znajomości z ludźmi z różnych branż.

Paweł
Studia Menedżer Sprzedaży

Bogaty program studiów

Bogaty program studiów znalazł przełożenie w rzeczywistości. Ilość przekazanej wiedzy i jej sposób przekazania był bardzo dostępny i trafiający do każdego.

Elżbieta
Studia Rachunkowości i finansów

Kopalnia wiedzy

Zajęcia były dla mnie kopalnią wiedzy, wspaniałym polem do wymiany doświadczeń i okazją do nawiązania trwałych przyjaźni.

Elwira
Studia Menedżer HR

Bogaty program

Bogaty program studiów znalazł przełożenie w rzeczywistości. Ilość przekazanej wiedzy i jej sposób przekazania był bardzo dostępny i trafiający do każdego.

Elżbieta
Studia Rachunkowości i finansów

 

Dlaczego studia na PG?

bookmark star icon

Ponad 117 lat doświadczenia

Politechnika Gdańska od 1904 roku jest pionierem edukacji spełniającym najwyższe standardy.

income icon

Kierunki poszukiwane przez pracodawców

Kreujemy ofertę kształcenia w oparciu o trendy i potrzeby rynku pracy.

learn icon

Kadra naukowa z doświadczeniem biznesowym

Łączymy wszechstronną wiedzę akademicką z praktyką i doświadczeniem biznesowym.