Szybkość postępów w uczeniu maszynowym (ML) i jego wpływ na wszystkie dziedziny życia są bezprecedensowe w ciągu ostatnich kilku lat, przy czym technologia często wyprzedza wiedzę o tym, jak skutecznie i niezawodnie budować systemy oparte na AI.

Stworzyło to niezaspokojone zapotrzebowanie na inżynierów ML, którzy potrafią wykorzystać te niedawno opracowane technologie i sprawić, by działały w świecie rzeczywistym.

Studia podyplomowe Sztuczna inteligencja – inżynieria uczenia maszynowego skierowane są do osób, które chcą poszerzyć swoje kompetencje zawodowe o umiejętności przedstawione w programie studiów, odpowiadając na zapotrzebowanie rynku pracy.

Kandydat musi posiadać co najmniej tytuł licencjata lub inżyniera w dziedzinie informatyki lub pokrewnej.

Zakłada się podstawową znajomość przez studentów programowania w języku Python, baz danych, algebry liniowej, rachunku różniczkowego i teorii prawdopodobieństwa, na poziomie studiów informatycznych I stopnia.

Ponadto student powinien być w stanie korzystać z zasobów w języku angielskim.

Zakres tematyczny oraz umiejętności uzyskane przez absolwentów w czasie studiów definiują opisy poszczególnych przedmiotów zawarte w programie.

Zaliczenie studiów: projekt dyplomowy

Kierownik studiów: dr Andrew Tuson email: 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.	Przetwarzanie w chmurze dla ML	Przedmiot ma na celu przygotowanie do opracowywania, wdrażania i zarządzania rozwiązaniami sztucznej inteligencji na dużą skalę przy użyciu chmury obliczeniowej i powiązanych technologii i infrastruktury obliczeń o wysokiej wydajności (HPC). Przedmiot obejmuje tematykę zasady, architektury i najlepsze praktyki budowania skalowalnych i wydajnych systemów sztucznej inteligencji. Bogate doświadczenie WWSI w nauczaniu zgadnień związnych z przetwarzaniem w chmurze AWS pozwoli zdobyć wiedzę na temat standardowych technologii branżowych i umożliwi ewentualne uzyskanie późniejszych certyfikatów.	Tomasz Siemek	22	3
4.	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.	Paulina Tomaszewska	22	3
5.	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	22	3
6.	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.		22	3
7.	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. Obszary zastosowań w ramach przedmiotu mogą obejmować LLM, cyberbezpieczeństwo, wyjaśniającą sztuczną inteligencję (XAI) itp. Studenci zostaną poproszeni o podanie swoich preferencji na początku zajęć.		28	4
8.	Prawo i etyka AI	Inżynierowie ML muszą być świadomi swoich odpowiedzialności prawnych i zawodowych, a ten przedmiot ma na celu zapoznanie z nimi w sposób przystępny dla technologów. Tematy obejmują: (1) Ciemna strona sztucznej inteligencji: co może pójść nie tak, (2) Ramy prawne w UE (ustawa o sztucznej inteligencji, RODO, ustawa o usługach cyfrowych), (3) Względy etyczne, (4) Zarządzanie i regulacja AI, (5) Etyka AI w generatywnej AI i uczeniu maszynowym, (6) Zgodność z przepisami w praktyce i obowiązki praktyka ML.	Paweł Buczyński	10	1
9.	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 (WBL) 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.	Andrew Tuson	10	5

Harmonogram

Semestr 1	Semestr 2
1. 12-13 października 2024 r. (w WWSI) 2. 26-27 października 2024 r. 3. 16-17 listopada 2024 r. 4. 23-24 listopada 2024 r. 5. 7-8 grudnia 2024 r. 6. 14-15 grudnia 2024 r. 7. 11-12 stycznia 2025 r. 8. 25-26 stycznia 2025 r. (w WWSI)	9. 22-23 lutego 2025 r. (w WWSI) 10. 8-9 marca 2025 r. 11. 22-23 marca 2025 r. 12. 5-6 kwietnia 2025 r. 13. 26-27 kwietnia 2025 r. 14. 10-11 maja 2025 r. 15. 24-25 maja 2025 r. 16. 21-22 czerwca 2025 r. (w WWSI)

Pierwszy i ostatni zjazd w każdym semestrze odbędzie się stacjonarnie w uczelni. Pozostałe spotkania będą prowadzone online przy użyciu aplikacji Teams.