Kurs Python AI Engineer

Kurs Python AI Engineer to praktyczna ścieżka budowy systemów wykorzystujących AI w standardzie produkcyjnym. Prowadzi od automatyzacji procesów biznesowych, przez potoki danych wykorzystujące LLM, po własnych agentów AI opartych na LangChain i LangGraph. Poznasz takie rozwiązania jak ReAct Agent, Sequential Agent, Human-in-the-Loop oraz RAG. Kurs kończy się szczegółowym omówieniem zagadnień Machine Learning i Deep Learning oraz wdrożeniem kompletnego modelu AI, który budujesz od zera i przygotowujesz do wdrożenia.

• Automatyzacja procesów biznesowych
• Budowa własnego potoku danych z wykorzystaniem LLM – czysta architektura heksagonalna, API, MCP
• Budowa agentów AI z wykorzystaniem LangChain i LangGraph – ReAct Agent, Sequential Agent, Human-in-the-Loop, RAG
• Budowa i wdrożenie kompletnego modelu Machine Learning od podstaw
• Analiza i dobór modeli Machine Learning / Deep Learning
• Świadoma praca z narzędziami AI

• Znajomość języka Python na poziomie zaawansowanym
• Zalecana znajomość zagadnień z zakresu data science
• Zalecane ukończenie kursów Python Backend Developer oraz Python Data Engineer

• Dla programistów Python, którzy chcą rozwijać się w kierunku AI Engineeringu
• Dla programistów, którzy chcą budować agentów AI w różnych konfiguracjach w standardzie produkcyjnym
• Dla programistów, którzy chcą przejść przez kompletny proces budowania modelu ML / DL
• Dla osób, które chcą budować projekty oparte na rozbudowanych systemach wykorzystujących AI

• Automatyzacja procesów biznesowych
  Budowa 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.
• Własny potok danych z wykorzystaniem LLM
  Budowa 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
• Budowanie agentów AI – LangChain i LangGraph
  Budowa 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.
• Budowa i wdrożenie gotowego modelu Machine Learning 
  Analiza 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.
• Algorytmy Machine Learning / Deep Learning
  Omówienie 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