Kurs Praktyczne narzędzia AI: Machine Learning, Deep Learning i RAG dla analityków i nieprogramistów

1. Jak działa sztuczna inteligencja w praktyce

• z czego „składa się” współczesna AI,
• jak model generuje odpowiedź,
• skąd biorą się dobre odpowiedzi,
• podstawy Machine Learning i Deep Learning:
  • uczenie nadzorowane, nienadzorowane, uczenie ze wzmocnieniem (przykłady biznesowe: scoring, segmentacja, rekomendacje),
  • sieci neuronowe, głębokie sieci, czym różni się „klasyczny” ML od Deep Learningu,
• jak działa Machine Learning „pod maską” dla analityka:
  • dane podstawą modeli: cechy, etykiety, proces „uczenia na przykładach”,
  • pojęcia: trening, walidacja, test, przeuczenie, niedouczenie,
• rodzaje modeli: predykcyjne, generatywne, LLM:
  
  • modele predykcyjne (regresja, klasyfikacja) w zadaniach biznesowych,
  • modele generatywne (tekst, obrazy, kod) vs „klasyczne” modele predykcyjne,
  • modele rozumujące.

2. AI w analizie danych na co dzień

• wspieranie pracy w Excelu,
• przygotowanie i opis danych,
• analiza trendów i pierwsza lista hipotez,
• typowe scenariusze dla analityka,
• dane strukturalne i niestrukturalne,
• narzędzia analityczne z AI bez programowania – Copilot, ChatGPT, Gemini jako „warstwa AI” nad Excelem, SQL, BI,
• narzędzia typu „analiza danych z AI” w Excelu/Power BI.

3. Czy można ufać AI? Błędy, uprzedzenia i jakość danych w pracy analityka

• halucynacje i błędy – jak je rozumieć,
• uprzedzenia (bias) w modelach i danych,
• jakość danych jako warunek sensownej analizy,
• ramy zaufania: za co AI może (nie) odpowiadać,
• proste zasady „bezpiecznego korzystania” dla analityka.

4. Tworzenie własnych narzędzi z pomocą AI (rozszerzony o AutoML / no‑code)

• jak opisać problem, żeby AI mogła zaprojektować narzędzie,
• szablony plików, kalkulatory, checklisty,
• proste automatyzacje, makra, zapytania,
• dobre praktyki przy budowie „własnych narzędzi”,
• AutoML i modele predykcyjne bez programowania,
• platformy low-code / no-code dla analityków,
• narzędzia do analizy danych wykorzystujące AI.

5. Systemy RAG i praca z danymi firmowymi (NotebookLM, MS Notebooks, AnythingLM)

• czym jest RAG (Retrieval-Augmented Generation),
• dane dla RAG: strukturalne, niestrukturalne, problemy jakości,
• przykłady wykorzystania RAG bez programowania,
• projektowanie zapytań do systemów RAG,
• przygotowanie danych do pracy z RAG.

6. Podstawy Machine Learning w praktyce analityka

• od problemu biznesowego do modelu – jak rozpoznać, że to „zadanie dla ML”: predykcja, klasyfikacja, rekomendacja,
• jak przełożyć pytanie biznesowe na input/output modelu:
  
  • cykl życia prostego projektu ML,
  • zrozumienie danych, przygotowanie cech, podział na zbiory, ocena jakości,
  • metryki: accuracy, precision/recall, AUC „ludzkim językiem”,
• ML z pomocą narzędzi bez kodu:
  
  • wykorzystanie AI do projektowania cech, interpretacji wyników modelu, wygenerowania opisów i wizualizacji,
• modele ML a LLM w pracy analityka:
  
  • kiedy sięgnąć po klasyczny model predykcyjny, a kiedy wystarczy,
  • LLM z dobrym promptem lub RAG.

7. Tworzenie własnych narzędzi z pomocą AI

• jak opisać problem, żeby AI mogła zaprojektować narzędzie,
• szablony plików, kalkulatory, checklisty,
• proste automatyzacje, makra, zapytania,
• dobre praktyki przy budowie „własnych narzędzi”.