Kurs AI w badaniach baukowych – AI i Data Research Masterclass: metodologia, eksperymenty i uczenie maszynowe

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?

Lepszy projekt badania - Nauczysz się precyzyjnie formułować cele, hipotezy i zmienne, dzięki czemu zaprojektujesz badanie spójne metodologicznie i łatwiejsze do obrony przed zespołem lub recenzentem.

Skuteczne kwestionariusze - Samodzielnie przygotujesz ankiety i kwestionariusze z dobrą logiką pytań, właściwymi skalami i walidacją, aby zbierać dane porównywalne, czytelne i użyteczne analitycznie.

Kodowanie danych jakościowych - Przekształcisz wypowiedzi i obserwacje w uporządkowane kategorie oraz zmienne ilościowe, co pozwoli Ci łączyć analizę jakościową z prostą statystyką i raportowaniem wyników.

Poprawne eksperymenty - Dowiesz się, jak planować eksperymenty A/B, RCT i układy wieloczynnikowe, aby trafnie dobrać zmienne, uniknąć błędów projektowych i wiarygodnie interpretować efekty oraz interakcje.

Sprawna praca na dużych danych - Opanujesz profilowanie, czyszczenie, łączenie i agregację bardzo dużych zbiorów danych, dzięki czemu poradzisz sobie z tabelami o milionach rekordów bez chaosu i strat jakości.

Mocniejsza analiza danych - Nauczysz się prowadzić EDA, wykrywać braki, odstające wartości i zależności liniowe oraz nieliniowe, aby podejmować decyzje modelowe na podstawie danych, a nie zgadywania.

Budowa modeli ML - Przećwiczysz przygotowanie cech, selekcję zmiennych i trenowanie modeli, takich jak drzewa, lasy losowe i MLP, dzięki czemu zbudujesz pipeline gotowy do realnych analiz badawczych.

Rzetelna ocena modeli - Poznasz metryki, walidację krzyżową, tuning hiperparametrów i metody ensemble, więc będziesz umieć porównywać modele, ograniczać przeuczenie i wybierać stabilniejsze rozwiązania.

Program szkolenia

1. Wprowadzenie do metodologii badań

rodzaje badań: jakościowe, ilościowe, mieszane,
zasady poprawnego formułowania celów badawczych,
operacjonalizacja zmiennych i hipotez badawczych,
dobór próby: probabilistyczne i nieprobabilistyczne metody doboru,
planowanie harmonogramu projektu badawczego.

2. Tworzenie kwestionariuszy i ankiet

budowa typowego kwestionariusza,
metadane i sekcja demograficzna – dobór zmiennych, błędy projektowania,
skale pomiarowe:
- skala Likerta (5-, 7-, 11-stopniowa),
- skale semantyczne, porządkowe, dychotomiczne,
rodzaje pytań:
- pytania zamknięte jednokrotnego i wielokrotnego wyboru,
- pytania otwarte – zasady interpretacji i kodowania,
- pytania macierzowe i rankingowe,
logika przejść (branching), rotacja odpowiedzi, walidacja formularza,
test pilotażowy kwestionariusza.

3. Ilościowa interpretacja wyników badań jakościowych

techniki kodowania: otwarte, osiowe, selektywne,
tworzenie kategorii i podkategorii analitycznych,
analiza semantyczna:
- identyfikacja tematów i wzorców wypowiedzi,
- mapy pojęć i sieci korelacyjne,
operacjonalizacja jakościowych kategorii do zmiennych ilościowych,
podstawowe wskaźniki statystyczne na danych zakodowanych.

4. Planowanie eksperymentów statystycznych

rodzaje eksperymentów: A/B, quasi-eksperymenty, eksperymenty terenowe,
definiowanie hipotez i dobór zmiennych niezależnych/zależnych,
plany eksperymentalne: RCT, DOE (Design of Experiments), randomizacja,
projektowanie eksperymentów wieloczynnikowych,
zaawansowana analiza wyników:
- ANOVA/ANCOVA,
- modele regresyjne i ich interpretacja,
- efekty główne i interakcje,
- analiza mocy (power analysis).

5. Praca z dużymi zbiorami danych

organizacja pracy na danych o wielkości:
- > 75 kolumn,
- > 1 mln krotek.
profilowanie danych, wykrywanie anomalii, standaryzacja,
optymalizacja pamięci oraz pracy na dużych zbiorach (chunking),
metody łączenia, agregacji i filtrowania danych o dużej skali,
przygotowanie danych do dalszego modelowania.

6. Uczenie maszynowe

eksploracyjna analiza danych (EDA):
- analiza rozkładów zmiennych (histogramy, KDE),
- wykrywanie braków danych i metod ich imputacji,
- korelacje: Pearson, Spearman, VIF, macierze korelacyjne,
- wykrywanie zależności nieliniowych,
przygotowanie Danych i Inżynieria Cech:
- obsługa braków, zastępowanie wartości nietypowych (outliers),
- normalizacja i standaryzacja,
- kodowanie zmiennych kategorycznych: one-hot, target encoding,
- tworzenie nowych cech (feature engineering),
selekcja Cech:
- metody filtracyjne: ANOVA F-score, chi-kwadrat,
- metody wrapper: RFE, boruta,
- metody embedded: Lasso, Ridge, regularyzacja L1/L2,
- redukcja wymiaru: PCA, ICA, UMAP.,
budowa i trenowanie modeli:
- implementacja i porównanie modeli:
  - drzewo decyzyjne,
  - las losowy,
  - sieć neuronowa (MLP),
- podział danych: train/test/validation,
- kontrola przeuczenia i regularyzacja,
ocena i poprawa modeli:
- metryki: RMSE, MAE, R², accuracy, precision, recall (w zależności od typu modelu),
- tuning hiperparametrów: Grid Search, Random Search, Bayesian Optimization,
- ensemble learning: bagging, boosting (XGBoost, LightGBM), stacking,
- walidacja krzyżowa i stabilność modeli.

Jakie są wymagania wstępne do udziału w szkoleniu?

Podstawy statystyki - Powinieneś swobodnie rozumieć średnią, medianę, odchylenie standardowe, korelację i podstawowe wykresy, aby łatwo śledzić analizę wyników oraz ocenę modeli.

Praca z danymi tabelarycznymi - Powinieneś umieć pracować z tabelami danych, filtrować rekordy, rozpoznawać typy zmiennych i czytać pliki CSV lub XLSX, aby sprawnie wejść w część analityczną kursu.

Logika badań - Powinieneś rozumieć różnicę między pytaniem badawczym, hipotezą, zmienną zależną i niezależną, aby bez problemu uczestniczyć w projektowaniu badań i eksperymentów.

Podstawy pracy w Pythonie - Powinieneś znać podstawy Pythona lub podobnego środowiska analitycznego, w tym uruchamianie kodu i pracę z bibliotekami, aby swobodnie realizować ćwiczenia modelowe.