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

Proces szkoleniowy

Analiza potrzeb szkoleniowych

Jeśli masz życzenie dotyczące programu szkolenia, przeprowadzimy dla Ciebie analizę potrzeb szkoleniowych, która będzie wskazówką dla nas, na jakie aspekty programu położyć większy nacisk – tak, by program szkolenia spełniał konkretne potrzeby.

Co zyskujesz?

Zrozumiesz, jak działa AI - Uporządkujesz pojęcia od ML i Deep Learningu po LLM i modele generatywne, dzięki czemu łatwiej ocenisz, jakie narzędzie AI ma sens w konkretnym zadaniu analitycznym.

Przyspieszysz analizę danych - Nauczysz się wykorzystywać ChatGPT, Copilota i Gemini do pracy z Excelem, SQL i BI, aby szybciej przygotowywać dane, opisywać wyniki i tworzyć pierwsze hipotezy.

Będziesz lepiej oceniać odpowiedzi AI - Dowiesz się, skąd biorą się halucynacje, błędy i bias w modelach oraz jak sprawdzać jakość danych, żeby nie opierać analiz ani decyzji na mylących odpowiedziach.

Stworzysz własne narzędzia bez kodowania - Przećwiczysz, jak opisać problem tak, by AI pomogła Ci zbudować szablon, kalkulator, checklistę, prostą automatyzację albo zapytanie przydatne w codziennej pracy.

Poznasz praktyczne użycie RAG - Zrozumiesz, jak działa RAG i jak przygotować dokumenty oraz dane firmowe do pracy w narzędziach takich jak NotebookLM czy AnythingLM, bez konieczności programowania.

Nauczysz się rozpoznawać zadania dla ML - Będziesz umieć przełożyć problem biznesowy na predykcję, klasyfikację lub rekomendację, dobrać wejście i wyjście modelu oraz ocenić, czy ML rzeczywiście ma tu przewagę.

Zrozumiesz wyniki modeli - Poznasz metryki takie jak accuracy, precision, recall i AUC w prostym ujęciu, więc łatwiej porównasz modele i wyjaśnisz interesariuszom, co naprawdę oznacza wynik predykcji.

Dobierzesz właściwe narzędzie AI - Nauczysz się odróżniać sytuacje, w których wystarczy dobry prompt lub RAG, od tych, gdzie potrzebny jest klasyczny model predykcyjny albo rozwiązanie AutoML bez pisania kodu.

Program szkolenia

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”.

Jakie są wymagania wstępne do udziału w szkoleniu?

Podstawy pracy z danymi - Powinieneś swobodnie pracować z tabelami, filtrowaniem, sortowaniem i prostym porządkowaniem danych, bo szkolenie skupia się na analizie i wykorzystaniu AI w praktyce.

Znajomość Excela lub BI - Powinieneś znać podstawy Excela, Power BI albo podobnego narzędzia, aby łatwo przełożyć omawiane przykłady na własną pracę z raportami, danymi i zestawieniami.

Myślenie analityczne - Powinieneś umieć formułować pytania biznesowe i wyciągać wnioski z danych, ponieważ podczas szkolenia będziesz przekładać problemy na zadania dla AI i prostych modeli.

Gotowość do pracy z narzędziami AI - Powinieneś być gotów testować nowe narzędzia i zadawać precyzyjne pytania, bo szkolenie obejmuje praktyczne użycie asystentów AI, RAG i rozwiązań no-code.