Kurs AI Modeling: od surowych danych do inteligentnych modeli

1. Podstawy sztucznej inteligencji i uczenia maszynowego

• definicje i kluczowe pojęcia: sztuczna inteligencja (AI), uczenie maszynowe (ML), uczenie głębokie (DL) różnice między AI, ML a klasycznym programowaniem podstawowe przykłady działania AI w praktyce,
• współczesne trendy: generatywna AI, duże modele językowe (LLM) Prompt Engineering w pigułce,
• podstawy tworzenia skutecznych promptów (jasność, kontekst, precyzja),
• techniki: role prompting, chain-of-thought, few-shot vs. zero-shot praktyczne przykłady użycia promptów w analizie danych i pracy z AI.

2. Rodzaje danych i ich charakterystyka

• dane surowe i przetworzone – czym się różnią i kiedy są użyteczne dane strukturalne (tabele, bazy danych) vs. niestrukturalne (teksty, obrazy, audio) znaczenie metadanych i opisów kontekstu.

3. Metody pozyskiwania danych

• źródła wewnętrzne (systemy ERP, CRM, arkusze Excel) i zewnętrzne (open data, dostawcy danych) API, sensory IoT i strumieniowanie danych w czasie rzeczywistym aspekty prawne i etyczne pozyskiwania danych.

4. Wyzwania związane z danymi

• jakość danych: brakujące wartości, nieaktualność, błędy pomiarowe kompletność i spójność zbiorów danych heterogeniczność – różne formaty, języki, źródła.

5. Zbieranie i gromadzenie danych

• projektowanie procesów zbierania danych (manualne, automatyczne) narzędzia i repozytoria do przechowywania danych (bazy SQL/NoSQL, data lakes) bezpieczeństwo i ochrona danych osobowych.

6. Czyszczenie danych i przygotowanie do analizy

• uzupełnianie braków: imputacja, usuwanie, zastępowanie wartościami domyślnymi wykrywanie i usuwanie duplikatów, błędów logicznych wstępna walidacja i kontrola jakości danych.

7. Transformacja danych

• normalizacja i standaryzacja – wyrównywanie skali i zakresu danych kodowanie zmiennych kategorycznych (one-hot encoding, label encoding) inżynieria cech (feature engineering) jako przygotowanie do modelowania.

8. Eksploracyjna analiza danych (EDA)

• wizualizacja danych: wykresy, histogramy, heatmapy, diagramy korelacji identyfikacja trendów, zależności i ukrytych wzorców w danych wykrywanie anomalii i wartości odstających (outliers) jako element przygotowania do modelowania.