II edycja studiów podyplomowych prowadzonych w oparciu na doświadczeniach pilotażowej edycji przeprowadzonej w roku akademickim 2024/2025 w ramach projektu europejskiego ARISA – Artificial Intelligence Skills Alliance. Studia podyplomowe z udziałem praktyków prowadzone na bazie innowacyjnego programu kompetencji AI

Rozwój technologii sztucznej inteligencji (AI) w ostatnich latach znacząco zmienił krajobraz gospodarczy, przemysłowy i naukowy. Coraz więcej sektorów – od przemysłu wytwórczego, przez medycynę, energetykę, aż po edukację i administrację publiczną wdraża rozwiązania oparte na uczeniu maszynowym, analizie danych i automatyzacji procesów decyzyjnych.

Dynamiczny rozwój sztucznej inteligencji we wszystkich sektorach gospodarki stwarza pilną potrzebę kształcenia specjalistów posiadających praktyczne kompetencje w zakresie uczenia maszynowego, analizy danych i wdrażania rozwiązań AI w środowiskach produkcyjnych i instytucjonalnych. Specjaliści posiadający praktyczne kompetencje w zakresie projektowania, trenowania i wdrażania modeli uczenia maszynowego, analizy danych, stosowania narzędzi MLOps oraz rozumienia aspektów bezpieczeństwa i etyki sztucznej inteligencji będą pilnie poszukiwani.

Adresaci

Studia są skierowane do (przykładowe):

• inżynierów i specjalistów IT chcących wejść w obszar AI/ML lub poszerzyć swoje kompetencje,
• analityków danych i programistów, którzy chcą projektować i wdrażać inteligentne systemy predykcyjne,
• pracowników sektora przemysłowego, zajmujących się optymalizacją procesów, kontrolą jakości, automatyzacją,
• osób planujących przekwalifikowanie do zawodów związanych ze sztuczną inteligencją (AI Engineer, Data Scientist, MLOps),
• menedżerów projektów i liderów R&D, którzy chcą lepiej rozumieć technologie AI w kontekście strategicznym i wdrożeniowym.

Kandydat powinien być pewnym programistą i posiadać wiedzę z zakresu baz danych, algebry liniowej, rachunku różniczkowego i teorii prawdopodobieństwa, na poziomie licencjackich studiów informatycznych. Idealne byłoby kilkuletnie doświadczenie w tworzeniu oprogramowania. Ponieważ część kursu jest prowadzona w języku angielskim, studenci powinni być w stanie korzystać z zasobów do nauki w języku angielskim.

Korzyści dla uczestnika

Uczestnicy:

• nauczą się budować i trenować modele AI,
• poznają nowoczesne biblioteki i narzędzia (m.in. Scikit-learn, PyTorch, MLFlow),
• zdobędą kompetencje wysoko cenione na rynku pracy w Polsce i za granicą,
• przygotują własny projekt AI jako element końcowy studiów.

Organizacja studiów

• Czas trwania: 2 semestry (łącznie 180 godzin zajęć),
• Forma: zjazdy weekendowe (sobota–niedziela), pierwsze i ostatnie zajęcia w każdym semestrze hybrydowo (stacjonarnie i online), pozostałe online. WSZYSTKIE ZAJĘCIA SĄ NAGRYWANE,
• Liczebność grupy: minimalna 10 osób, maksymalna 16 osób,
• Miejsce: Warszawa + platforma e-learningowa MS Teams, Moodle.

Kadra dydaktyczna

• Wykładowcy to doświadczeni praktycy oraz nauczyciele akademicy związani z projektami badawczymi i komercyjnymi w obszarze AI. Wśród kadry m.in. specjaliści z firm technologicznych oraz uczelni wyższych.

Warunki ukończenia studiów

• zaliczenie zadań i projektów modułowych,
• realizacja i obrona projektu końcowego z zakresu AI/ML.

Kompetencje formalne: Dyplom ukończenia studiów podyplomowych

Opłaty i rekrutacja: Rekrutacja krok po kroku, Płatności

Kierownik studiów: dr Andrew Tuson, e-mail: atuson@ms.wwsi.edu.pl

Opis przedmiotów

l.p.	Nazwa przedmiotu	Krótki opis przedmiotu	Imię i nazwisko wykładowcy	Liczba godzin	Liczba ECTS
1.	Podstawy ML	Przedmiot 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	28	4
2.	Analiza danych dla inżynierów ML	Data 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 Ptasznik	28	4
3.	Deep Learning	Sieci 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.	TBC	21	3
4.	Generatywna sztuczna inteligencja	Przedmiot 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 Majewski	21	3
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 Agerskov	28	4
6.	Aplikacje ML	Prowadzony 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 wybierani w porozumieniu ze studentami	28	4
7.	Bezpieczeństwo i ochrona SI	Wdrożone 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.	TBC	21	3
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	5	5
				180	30