Rozróżnisz AI, ML i DL - Uporządkujesz pojęcia AI, ML i deep learning, dzięki czemu łatwiej ocenisz, kiedy warto użyć modelu uczącego się, a kiedy wystarczy klasyczne podejście programistyczne.
Napiszesz lepsze prompty - Nauczysz się budować prompty z jasnym celem, kontekstem i precyzją. W praktyce wykorzystasz role prompting, few-shot i zero-shot do analizy danych oraz pracy z modelami LLM.
Dobierzesz właściwe dane - Zrozumiesz różnice między danymi surowymi i przetworzonymi oraz między danymi strukturalnymi i niestrukturalnymi, aby trafniej wybierać materiał do analizy i modelowania.
Sprawnie pozyskasz dane - Poznasz praktyczne źródła danych z systemów ERP, CRM, arkuszy, API i IoT. Dzięki temu zaprojektujesz skuteczniejszy proces zbierania danych z uwzględnieniem prawa i etyki.
Wychwycisz problemy jakości - Nauczysz się rozpoznawać braki, błędy pomiarowe, niespójności i nieaktualność danych, co pozwoli Ci szybciej eliminować ryzyka obniżające trafność analiz i modeli.
Przygotujesz dane do modelu - Przećwiczysz imputację braków, usuwanie duplikatów, walidację oraz bezpieczne gromadzenie danych w repozytoriach SQL, NoSQL i data lake, aby pracować na solidnej bazie.
Przekształcisz cechy świadomie - Dowiesz się, kiedy stosować normalizację, standaryzację, one-hot encoding i label encoding. Dzięki temu lepiej przygotujesz zmienne do późniejszego modelowania i oceny.
Lepiej odczytasz wzorce - Podczas EDA nauczysz się używać wykresów, histogramów, heatmap i analiz korelacji, aby wykrywać trendy, anomalie oraz wartości odstające jeszcze przed budową modelu.
Podstawy pracy z danymi - Powinieneś swobodnie czytać tabele, rozumieć kolumny i wiersze oraz wykonywać proste operacje na danych w arkuszu kalkulacyjnym lub podobnym narzędziu.
Podstawy obsługi komputera - Powinieneś sprawnie korzystać z komputera, przeglądarki i plików, ponieważ podczas szkolenia będziesz pracować z danymi, narzędziami analitycznymi i materiałami cyfrowymi.
Logiczne myślenie analityczne - Powinieneś umieć wyciągać proste wnioski z liczb i zależności, aby łatwiej rozpoznawać błędy danych, wzorce oraz sens kolejnych etapów przygotowania zbioru.
Gotowość do pracy praktycznej - Powinieneś być gotowy do samodzielnego wykonywania ćwiczeń i analizowania przykładów, bo szkolenie opiera się na praktycznym przechodzeniu od danych do modelowania.
