I zjazd: 25-26 października
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.
- 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. - 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. - 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. - 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. - 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. - 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.pl, tel.: 22 489 64 00/52
Opłaty i rekrutacja
Rekrutacja krok po kroku, Płatności
Kierownik studiów
mgr inż. Andrzej Ptasznik, e-mail: aptaszni@wwsi.edu.pl
Spotkanie organizacyjne
18 października (sobota), w godz. 13.00-14.00 (stacjonarnie i online) LINK do spotkania
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 1 | Terminy zjazdów semestr 2 | |
|---|---|---|
| Spotkanie organizacyjne | 18 października 2025 (sobota) LINK do spotkania | |
| Zjazd I | 25-26 października 2025, | 21-22 lutego 2026 |
| Zjazd II | 8-9 listopada 2025 | 7-8 marca 2026 |
| Zjazd III | 22-23 listopada 2025 | 21-22 marca 2026 |
| Zjazd IV | 6-7 grudnia 2025 | 11-12 kwietnia 2026 |
| Zjazd V | 20-21 grudnia 2025 | 25-26 kwietnia 2026 |
| Zjazd VI | 10-11 stycznia 2026 | 16-17 maja 2026 |
| Zjazd VII | 17-18 stycznia 2026 | 30-31 maja 2026 |
| Zjazd VIII | 31 stycznia -1 lutego 2026 | 6-7 czerwca 2026 |
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. | 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 praktycy 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. | 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 |