Warszawska Wyższa Szkoła Informatyki

Sztuczna inteligencja – inżynieria uczenia maszynowego ARISA (poziom zaawansowany)


Opis studiów

Kompleksowe studia dla osób z przygotowaniem informatycznym. Program obejmuje uczenie maszynowe, głębokie uczenie, MLOps, generatywną AI, bezpieczeństwo i ochronę systemów inteligentnych oraz projekt dyplomowy. Studenci uczą się budować i wdrażać modele ML w praktyce biznesowej i R&D (szczegółowe opisy przedmiotów, godziny i punkty ECTS w tabeli poniżej).

Adresaci

Absolwenci kierunków informatycznych lub pokrewnych, programiści, inżynierowie danych, specjaliści IT chcący wejść głębiej w obszar AI/ML.

Warunki przyjęcia

Przygotowanie informatyczne na poziomie studiów I stopnia (inżynierskich/licencjackich).

Zaliczenie

Projekt dyplomowy

Kompetencje formalne

Dyplom ukończenia studiów podyplomowych.
Certyfikat ARISA AI Skills (https://aiskills.eu/

FlexPath

Możesz rozszerzyć AI – inżynierię ML o moduły z Cyberbezpieczeństwa (zabezpieczenia systemów, modelowanie zagrożeń) i zostać AI Security & Risk Specialist, albo o moduły z Cloud computing (AWS, architektura chmurowa) i uzyskać profil AI Cloud Architect.

  • Twoją bazą jest inżynieria ML – ale Ty decydujesz, czy połączysz ją z chmurą, czy z cyberbezpieczeństwem.
  • Każda ścieżka w modelu WWSI FlexPath łączy solidne podstawy z elastycznością – bo to Ty współtworzysz swój dyplom i kompetencje.

Na czym polega możliwość rozszerzenia specjalizacji:

Jak działa procedura FlexTech?
FlexTech to unikalny model kształcenia na studiach podyplomowych WWSI, który pozwala Ci współtworzyć własny program studiów i finalny profil kompetencji.

  1. Wybór specjalności głównej
    • Na etapie rekrutacji wybierasz jedną z 8 głównych specjalności (np. Data Science, Bezpieczeństwo systemów, Fullstack Developer, AI – Aplikacje itp.).
    • To ona stanowi fundament Twojego programu – zestaw obowiązkowych przedmiotów realizowanych przez wszystkich studentów danej specjalności.
  2. Dostęp do katalogu wszystkich modułów
    • Po rozpoczęciu studiów otrzymujesz pełny katalog przedmiotów dostępnych we wszystkich specjalnościach.
    • Dzięki temu możesz zobaczyć, jakie dodatkowe kompetencje możesz zdobyć poza główną ścieżką.
  3. Wybór modułów dodatkowych
    • Możesz wskazać do 5 przedmiotów z innych specjalności, które zrealizujesz w trybie asynchronicznym (na podstawie nagrań wideo).
    • Moduły dodatkowe są zaliczane na podstawie CBT (Computer Based Test) – testów i ćwiczeń w formie online.
    • To właśnie one kształtują Twój profil rozszerzony – indywidualny zestaw umiejętności dopasowany do Twoich celów zawodowych.
  4. Realizacja zajęć
    • W trybie stacjonarnym lub hybrydowym uczestniczysz w zajęciach swojej specjalności głównej.
    • Wybrane moduły dodatkowe zaliczasz elastycznie, we własnym tempie – online, asynchronicznie, na podstawie materiałów nagranych i CBT.
  5. Projekt dyplomowy
    • Temat projektu możesz wybrać tak, aby łączył wiedzę z głównej specjalności i wybranych rozszerzeń.
    • Dzięki temu praca końcowa odzwierciedla Twoją spersonalizowaną ścieżkę kompetencji.
  6. Dyplom i certyfikaty
    • Na dyplomie znajdzie się nazwa Twojej specjalności głównej oraz adnotacja o rozszerzeniu (np. „Cloud Computing z rozszerzeniem Cybersecurity Cloud Specialist”).
    • Otrzymasz także certyfikaty branżowe wynikające z udziału w programach partnerskich (np. ESSA, ARISA, AI Skills, AWS Academy).
    • Do dyplomu dołączony będzie pełny wykaz wszystkich przedmiotów, które zrealizowałeś.

Dlaczego FlexTech to przewaga na rynku pracy?
Dzięki tej procedurze Twój dyplom nie jest szablonowy – ale unikalny i spersonalizowany. To Ty decydujesz, jakie dodatkowe kompetencje zdobędziesz i które z nich chcesz mieć oficjalnie potwierdzone w dokumentach.


Informacje

podyplomowe@wwsi.edu.pltel.: 22 489 64 00/52

Opłaty i rekrutacja

Rekrutacja krok po krokuPłatności

Kierownik studiów

mgr inż. Andrzej Ptasznik, e-mail: aptaszni@wwsi.edu.pl

Spotkanie organizacyjne

18 października (sobota) (stacjonarnie i online)

Organizacja studiów:

Pierwszy i ostatni zjazd w każdym semestrze oraz spotkanie organizacyjne odbywają się w trybie hybrydowym (stacjonarnie i online)

Uwaga: Studenci we wszystkich zajęciach

Terminy zjazdów w pierwszym i drugim semestrze roku akademickiego 2025/2026:

Terminy zjazdów semestr 1Terminy zjazdów semestr 2
Spotkanie organizacyjne 18 października 2025 (sobota)
Zjazd I 25-26 października 2025,21-22 lutego 2026
Zjazd II8-9 listopada 20257-8 marca 2026
Zjazd III22-23 listopada 202521-22 marca 2026
Zjazd IV6-7 grudnia 202511-12 kwietnia 2026
Zjazd V20-21 grudnia 202525-26 kwietnia 2026
Zjazd VI10-11 stycznia 202616-17 maja 2026
Zjazd VII17-18 stycznia 202630-31 maja 2026
Zjazd VIII31 stycznia -1 lutego 20266-7 czerwca 2026

Opis przedmiotów

l.p.Nazwa przedmiotuKrótki opis przedmiotuImię i nazwisko wykładowcyLiczba godzinLiczba ECTS
1.Podstawy MLPrzedmiot ma na celu zapoznanie studentów z oboma klasycznymi technikami uczenia maszynowego. Studenci poznają podstawy i praktyczne zastosowanie modeli predykcyjnych do różnych zadań związanych z klasyfikacją, regresją i nienadzorowanym uczeniem się oraz dowiedzą się, jak skutecznie wdrożyć je w Pythonie przy użyciu standardowych bibliotek ML.Andrew Tuson
Jacek Jabłonka
284
2.Analiza danych dla inżynierów MLData Science jest niezbędne do zapewnienia, że algorytmy ML dają wysokiej jakości i skuteczne wyniki. Przedmiot ma na celu wprowadzenie do podstawowych pojęć, technik i narzędzi wykorzystywanych w nauce o danych. Przedmiot obejmuje między innymi tematy takie jak proces wydobywania spostrzeżeń i wiedzy z ustrukturyzowanych i nieustrukturyzowanych danych, ze szczególnym uwzględnieniem analizy statystycznej, wizualizacji danych i podejmowania decyzji opartych na danych.Andrzej Ptasznik284
3.Deep LearningSieci neuronowe Deep Learning są podstawą nowoczesnych rozwiązań ML. Przedmiot koncentruje się na przygotowaniu do budowania i stosowania modeli głębokiego uczenia oraz metod rozwiązywania rzeczywistych problemów. Przedmiot jest wprowadzeniem do zagadnień metod uczenia głębokiego jak również niezbędnej architektury sprzętowej i narzędzi programistycznych, a także metod opracowywania i wdrażania modeli, wraz z praktycznymi przykładami.213
4.Generatywna sztuczna inteligencjaPrzedmiot koncentruje się na tworzeniu nowych instancji danych, które przypominają dane treningowe lub które wchodzą w interakcję z użytkownikiem. Obszar ten obejmuje techniki, które pozwalają modelom generować nowe obrazy, teksty, muzykę i inne formy mediów, symulując ludzką kreatywność. Omawiane są zasady, techniki i zastosowania generatywnych modeli sztucznej inteligencji. Przedmiot obejmuje podstawy modeli generatywnych, ich architektur i przypadków użycia w różnych domenach.Jan Majewski213
5.Operacje ML (MLOps)Przedmiot MLOps ma na celu wprowadzenie do zasad i praktyk wdrażania, monitorowania i utrzymywania modeli uczenia maszynowego w małych, średnich i dużych środowiskach produkcyjnych, w oparciu o wcześniejsze doświadczenie w uczeniu maszynowym i inżynierii oprogramowania. Przedmiot obejmuje kompleksowy cykl życia projektów uczenia maszynowego, koncentrując się na aspektach operacyjnych systemów ML. Omówione zostanie wdrażanie systemów ML w chmurze.Claus Agerskov284
6.Aplikacje MLProwadzony przez praktyków przedmiot ma na celu zapoznanie uczestników z aktualnym stanem wiedzy w określonych obszarach zastosowań sztucznej inteligencji. Celem przedmiotu jest zaprezentowanie i przedstawienie, w jaki sposób sztuczna inteligencja przekształca produkty i usługi.
Prowadzący zapoznaje studentów z najnowszymi rozwiązaniami AI, głównie opartymi na zaawansowanych modelach głębokiego uczenia się i z wyzwaniami związanymi z opracowywaniem rozwiązań AI opartych na projektach.
Studenci zostaną poproszeni o podanie swoich preferencji na początku zajęć.
Tematy poruszane w roku 2025 obejmowały: zastosowania medyczne, logistykę, kwantowe uczenie maszynowe, cyberbezpieczeństwo i „LLM on Edge”.
Wykładowcy praktycy wybierani w porozumieniu ze studentami284
7.Bezpieczeństwo i ochrona SIWdrożone systemy ML muszą być bezpieczne i zgodne z wytycznymi etycznymi, a ten przedmiot ma na celu wprowadzenie tych zagadnień w sposób przystępny dla technologów. Tematy obejmują: (1) Ciemna strona sztucznej inteligencji: co może pójść nie tak, (2) cyberbezpieczeństwo ML (3) obawy dotyczące bezpieczeństwa (4) względy etyczne, (5) ramy prawne w UE (ustawa o sztucznej inteligencji, RODO, ustawa o usługach cyfrowych), (6) zarządzanie sztuczną inteligencją i regulacje, (7) zgodność z przepisami w praktyce i obowiązki praktyków ML.213
8.Projekt dyplomowy (WBL)Aspirujący inżynierowie ML korzystają z możliwości wykorzystania zdobytej wiedzy i umiejętności w projekcie dyplomowym. Projekt pozwoli zademonstrować pracodawcom swoje umiejętności w zakresie opracowywania rozwiązań ML.
Projekt oparty o realia miejsca pracy umożliwia zdobycie nowych doświadczeń zawodowych. Projekt może być zrealizowany u aktualnego pracodawcy lub za pośrednictwem sieci zbudowanej w trakcie zajęć, lub ewentualnie z możliwości zabezpieczonych przez uczelnię.
Przykładowe tytuły projektów w tym roku to:
• AI-Powered Risk Detection in Agreements
• Classification of aircraft in satellite images using deep learning methods.
• Manipulating images to deceive classifiers using insights from Explainable AI (XAI)
Andrew Tuson
Jacek Jabłonka
55
18030