Szkolenie Data Science w Pythonie: Praktyczna analiza danych i Machine Learning - TERMIN GWARANTOWANY - 23.11.2026

W skrócie

Pięć dni i budujesz model, który przewiduje odejście klienta, a potem sieć neuronową, która rozpoznaje obrazy.

Przez pięć dni przechodzisz pełny cykl projektu analitycznego według metodyki CRISP-DM: od zrozumienia problemu biznesowego i przygotowania danych, przez budowę modeli i ocenę ich jakości, aż po uczenie głębokie.

Pracujesz na realnych przypadkach: przewidujesz koszt ubezpieczenia, wykrywasz odejścia klientów, rozpoznajesz choroby serca i klasyfikujesz obrazy. Każdy kończy się liczbą mówiącą, jak dobry jest Twój model.

Sieć neuronowa to model złożony z wielu prostych elementów, z których każdy podejmuje jedną banalną decyzję, a wszystkie razem rozpoznają rzeczy zbyt zawiłe, żeby dało się je opisać regułami. Piszesz ją najpierw własnoręcznie, od zera, a dopiero potem budujesz w TensorFlow i Kerasie. Wiesz więc, co dzieje się w środku, i potrafisz to naprawić, kiedy model zaczyna zwracać bzdury.

Co potrafisz po tych 5 dniach

• Zaczynasz od porządnego warsztatu - Python, notatnik Jupyter i edytor Visual Studio Code, osobne środowisko na każdy projekt oraz biblioteka NumPy do szybkich obliczeń na tablicach liczb. Do tego tyle statystyki, ile naprawdę jest potrzebne, wyjaśnione po drodze.
• Pracujesz według sprawdzonego schematu - Sześć faz projektu analitycznego: zrozum problem biznesowy, zrozum dane, przygotuj je, zbuduj model, sprawdź go, wdróż. To ten szkielet, którego brak najczęściej wywraca projekty na danych.
• Opanowujesz Pandas, czyli codzienne narzędzie analityka - Wczytywanie i czyszczenie danych z plików CSV, Excel i tekstowych, filtrowanie, grupowanie, łączenie tabel oraz praca z tekstem i z danymi pobieranymi z zewnętrznych systemów.
• Oglądasz dane, zanim cokolwiek policzysz - Wykresy i rozkłady, zależności między kolumnami i wyłapywanie wartości odstających, czyli takich, które psują wynik, zanim model w ogóle powstanie.
• Przygotowujesz dane tak, żeby model je zrozumiał - Uzupełnianie braków, sprowadzanie liczb do wspólnej skali, zamiana kategorii (na przykład nazwy miasta) na postać liczbową oraz tworzenie nowych kolumn na podstawie wiedzy o dziedzinie.
• Budujesz pierwsze modele przewidujące - Regresja, czyli przewidywanie liczby, na przykład kosztu ubezpieczenia. Klasyfikacja, czyli przypisanie do grupy, na przykład czy klient odejdzie. Obie implementowane krok po kroku, nie z gotowca.
• Wiesz, czy model jest dobry, i umiesz to pokazać - Przy przewidywaniu liczb: o ile średnio model się myli i jaką część zmienności wyjaśnia. Przy klasyfikacji: jak często trafia, ile daje fałszywych alarmów i ile przypadków przeocza.
• Poznajesz modele, które łączą siłę wielu - Drzewa decyzyjne, które da się narysować i wytłumaczyć zarządowi, oraz lasy losowe, czyli setki takich drzew głosujących razem nad jednym wynikiem.
• Tłumaczysz, dlaczego model tak zdecydował - Metody pokazujące, które cechy i jak mocno wpłynęły na wynik. Bez tego żaden dział ryzyka ani zgodności nie wpuści modelu do procesu.
• Rozpoznajesz model, który tylko udaje, że działa - Sytuacja, w której model nauczył się danych na pamięć i zawodzi na nowych, oraz odwrotna, gdy jest za prosty. Sprawdzasz to dzieleniem danych na części i automatycznie dobierasz najlepsze ustawienia.
• Radzisz sobie z danymi, w których jedna grupa jest garstką - Przy wykrywaniu oszustw czy awarii przypadków pozytywnych bywa jeden na tysiąc. Poznajesz cztery sposoby, żeby model ich nie zignorował.
• Wchodzisz w sieci neuronowe - Zaczynasz od pojedynczego neuronu, przechodzisz do sieci wielowarstwowej, a kończysz na gotowych narzędziach TensorFlow i Keras oraz modelu rozpoznającym obrazy na zbiorze zdjęć ubrań.
• Rozumiesz, co siedzi pod ChatGPT - Architektura transformera, czyli rozwiązanie, na którym stoją dzisiejsze modele językowe. Na zakończenie budujesz aplikację webową z własnym modelem w środku.

Jak pracujemy

Pięć dni warsztatów. Każdy dzień kończy się zadaniami praktycznymi, a większość tematów studium przypadku na realnych danych. Prowadzi Tomasz Wiliński, Senior Data Scientist, który w instytucji finansowej rozwija i wdraża modele scoringowe i predykcyjne oraz pracuje z uczeniem maszynowym w Pythonie.

Dla kogo

Dla analityków, programistów i inżynierów danych, którzy chcą wejść w uczenie maszynowe na poważnie. Potrzebna podstawowa znajomość Pythona. Jeśli programowania dopiero się uczysz, zacznij od szkolenia Python od podstaw przez analizę danych do machine learning, które poświęca trzy dni na sam język.

Co zyskujesz

Portfolio kilku zbudowanych i ocenionych modeli, od regresji po sieć neuronową. Uczysz się też interpretować wyniki z perspektywy biznesowej, czyli tłumaczyć je osobom, które modelu nie czytają. To komplet kompetencji do samodzielnej pracy w roli junior Data Scientist albo junior ML Engineer. Szkolenie ma termin gwarantowany i można je sfinansować z BUR i KFS. Otrzymujesz też imienny certyfikat ukończenia szkolenia.

Zarezerwuj miejsce i zbuduj modele, którym da się zaufać.

Sprawdź, czy w Twoim przypadku dostępne jest finansowanie szkolenia ze środków BUR/KFS. Dostępność finansowania zależy od warunków danego programu oraz decyzji właściwej instytucji. Więcej informacji: https://jsystems.pl/dofinansowanie/

Prowadzący szkolenie

Tomasz Wiliński

Senior Data Scientist z wieloletnim doświadczeniem w projektach wykorzystujących uczenie maszynowe i analitykę predykcyjną. Na co dzień pracuje w jednej z największych instytucji finansowych w Polsce, odpowiadając za rozwój i wdrożenie modeli scoringowych, predykcyjnych oraz systemów wspierających decyzje biznesowe.

W pracy łączy wiedzę techniczną z praktycznym podejściem do rozwiązywania problemów biznesowych. Jako prowadzący stawia na zrozumienie istoty algorytmów, intuicję analityczną oraz zdolność wykorzystania danych do realnych celów. Na szkoleniach dzieli się sprawdzonymi metodami pracy w Pythonie, dobrymi praktykami tworzenia modeli oraz doświadczeniem wyniesionym z wdrożeń w skali enterprise.

Program szkolenia

Przeczytaj na naszym blogu