Kurs Python AI Engineer

Kurs prowadzi od automatyzacji procesów biznesowych do własnych agentów AI i modelu Machine Learning przygotowanego do wdrożenia. Budujesz systemy wykorzystujące AI w standardzie produkcyjnym: potok danych z LLM w architekturze heksagonalnej, serwer MCP z narzędziami dla agentów AI, agentów w LangChain i LangGraph oraz RAG z wektorową bazą danych. Na końcu przechodzisz przez cały proces budowy modelu ML od analizy problemu po gotowy artefakt i uczysz się dobierać model ML/DL do problemu.

• Automatyzacje procesów w firmie: pliki, arkusze Excel, faktury, poczta Gmail, audio i usługi chmurowe
• Potok danych z LLM udostępniony przez REST API i serwer MCP, z testami, typowaniem i konteneryzacją
• Agenci AI z Human-in-the-Loop i RAG oraz model Machine Learning przygotowany do wdrożenia

• Automatyzacja procesów biznesowych: pliki, arkusze Excel, Fakturownia API, Gmail, Google Drive API, audio z Whisper i ElevenLabs
• Potok danych z LLM w architekturze heksagonalnej: porty, adaptery, kontener DI, niezależność od dostawcy modelu
• REST API we FastAPI i serwery MCP dla agentów AI: zadania w tle, Server-Sent Events, integracja z Claude Code
• Agenci AI w LangChain i LangGraph: ReAct Agent, Sequential Agent, streaming, Human-in-the-Loop
• RAG: indeksowanie dokumentów, chunking, embeddingi, Qdrant, hybrid search, reranking, metryki RAGAs
• Jakość kodu w projektach AI: testy jednostkowe, integracyjne i e2e, typowanie w trybie strict, uv, Docker
• Pełny proces budowy modelu Machine Learning: dane, preprocessing, ewaluacja, strojenie hiperparametrów, wdrożenie
• Dobór modelu ML/DL: Scikit-Learn, TensorFlow, Keras, sieci neuronowe, TensorBoard, Keras Tuner

1. Automatyzacja procesów biznesowychBudowa niezależnych aplikacji i bibliotek automatyzujących procesy w firmie. Przetwarzanie plików w różnych formatach. Przetwarzanie i zarządzanie strukturą danych w arkuszu kalkulacyjnym Excel. Zarządzanie fakturami poprzez Fakturownia API. Zarządzanie wiadomościami w skrzynce pocztowej Gmail. Generowanie audio, notatek głosowych, podsumowań i tłumaczeń. Integracje z usługami chmurowymi. Wykorzystanie narzędzi takich jak sounddevice, Whisper, ElevenLabs, Google Drive API.
2. Własny potok danych z wykorzystaniem LLMBudowa generatora quizów zasilanego treścią crawlowaną ze stron internetowych i przetwarzaną przez LLM. Uniezależnienie od sposobu udostępnienia przez zastosowanie architektury heksagonalnej. Trzy sposoby udostępnienia tej samej logiki na jednej strukturze projektu za pomocą REST API (FastAPI), serwer MCP na bazie projektu lokalnego i serwer MCP na bazie pakietu z PyPI. Serwer MCP wystawia narzędzia dla agentów AI, przetestowany w obu wariantach z Claude Code. Crawling i scraping treści (Scrapy jako podproces, ekstrakcja przez trafilatura) z SSRF-guard i limitem współbieżności. Crawler i generowanie quizu działają asynchronicznie w tle bez blokowania aplikacji. Postęp raportowany przez Server-Sent Events oraz natywny mechanizm progress w MCP. Warstwa abstrakcji dla dowolnego dostawcy LLM, walidacja odpowiedzi modelu przez Pydantic i kontrola jakości wygenerowanych pytań. Eksport quizu do wielu formatów. Wdrożona obserwowalność w każdym żądaniu. Autentykacja API kluczem, walidacja konfiguracji przez pydantic-settings, kontener DI łączący porty z adapterami. Testy jednostkowe, integracyjne, e2e i bezpieczeństwa (pytest, pytest-asyncio, respx, pytest-httpserver). Statyczna analiza i typowanie w trybie strict (ruff, ty). Zarządzanie zależnościami przez uv, konteneryzacja Dockerem i Docker Compose. Wykorzystanie lokalnego modelu LLM przez Ollama oraz modelu LLM od OpenAI. Zobacz, co zrealizujesz w tym module (otwiera się w nowej karcie)
3. Budowanie agentów AI – LangChain i LangGraphBudowa własnych agentów AI. ReAct Agent, Sequential Agent, fabryki modeli oraz obsługi streamingu. Human-in-the-Loop z persystencją stanu oraz kontrolowanym zatrzymaniem i wznowieniem pracy agenta decyzją człowieka. RAG obejmujący tworzenie bazy wiedzy, indeksowanie dokumentów, parsowanie, chunking, embeddingi, wektorową bazę danych Qdrant. Komunikacja z agentem w formie zapytań tekstowych lub głosowych (Whisper, ElevenLabs), hybrid search i reranking za pomocą Cohere. Komunikacja przez API oraz badanie jakości metrykami RAGAs.
4. Budowa i wdrożenie gotowego modelu Machine LearningAnaliza problemu, pozyskanie danych, podział na zbiór treningowy i testowy, preprocessing, własne transformatory, ewaluacja i diagnostyka. Strojenie hiperparametrów oraz wdrożenie artefaktu z wykorzystaniem narzędzi dostępnych w Scikit-Learn.
5. Algorytmy Machine Learning / Deep LearningOmówienie rozwiązań dostępnych w Scikit-Learn, TensorFlow i Keras oraz sposobów właściwego doboru modelu ML/DL. Klasyfikacja binarna, wieloklasowa, wieloetykietowa i wielowyjściowa. Regresja i regularyzacja, SVM, drzewa i ensemble (Random Forest, AdaBoost, Gradient Boosting). Redukcja wymiarów (PCA), uczenie nienadzorowane (DBSCAN) i wykrywanie anomalii (mieszaniny gaussowskie). Sieci neuronowe, budowa MLP, monitoring treningu (TensorBoard), tuning hiperparametrów (Keras Tuner) i stabilizacja uczenia (learning rate, optymalizatory, dropout, batch normalization, gradient clipping).

Szczegółowy wykaz nagrań (otwiera się w nowej karcie)

Dla programistów, którzy mają już doświadczenie w Pythonie i chcą rozwijać się w kierunku AI Engineeringu. Budujesz tu kompletne systemy wykorzystujące AI, od potoku danych z LLM po agentów AI i modele Machine Learning.

• Programujesz w Pythonie i chcesz budować aplikacje, które korzystają z modeli językowych i agentów AI
• Chcesz budować agentów AI w różnych konfiguracjach, z RAG i Human-in-the-Loop, w standardzie produkcyjnym
• Chcesz przejść przez kompletny proces budowy modelu ML/DL, od analizy problemu po wdrożenie
• Chcesz budować własne narzędzia AI oparte na modelach językowych i wykorzystywać je w swojej pracy
• Pracujesz jako architekt i potrzebujesz wiedzy do analizy rozwiązań opartych na AI

Wiedzę z tego kursu wykorzystujesz potem w mentoringu 1:1, gdzie projektujesz i wdrażasz własną aplikację pod okiem mentora. Wszystkie kursy są w cenie mentoringu.

Kurs nie ma modułów podstawowych. Od pierwszego modułu budujesz projekty z AI, dlatego wchodzisz w niego ze znajomością Pythona. Zalecana jest też znajomość zagadnień data science.

• Programujesz w Pythonie na poziomie zaawansowanym: zaczynasz od pierwszego modułu i przechodzisz kurs po kolei
• Znasz zagadnienia data science: łatwiej przechodzisz moduły o Machine Learning i Deep Learning
• Programujesz w innym języku albo dopiero zaczynasz: najpierw przechodzisz kurs Python Backend Developer, który otwierają moduły podstawowe

Zalecana kolejność to kursy Python Backend Developer i Python Data Engineer, a potem ten kurs. Wszystkie trzy masz w dostępie do wszystkich kursów, bez dodatkowych opłat.