Python AI

Opis kursu

Płacisz za jeden miesiąc nauki.
Uczysz się tak długo, jak potrzebujesz.
Pełne wsparcie na każdym etapie nauki.
Pytasz o wszystko, tyle razy, ile potrzebujesz i wtedy, kiedy chcesz. Szybko otrzymasz odpowiedź.
Spotkania 1:1 online + nagranie ze spotkania.
Plan nauki dopasowany do Ciebie.
Dużo zadań i projektów praktycznych.
Stały feedback na Twój kod i strukturę projektów.
Uczysz się w swoim tempie.
Motywuję Cię do pracy i dbam o Twoje postępy.
Portfolio w kilka miesięcy.
Szukasz pracy w trakcie kursu.
Otrzymasz certyfikat ukończenia kursu.

Już teraz

zapisz się na kurs

Zostaw swoje namiary, a skontaktuję się z Tobą w sprawie kursu

Plan kursu

Znasz już język Python oraz zagadnienia z zakresu Data Science? Świetnie! Możesz od razu przejść do nauki zagadnień z tego kursu. Dopiero zaczynasz? Nie ma problemu! Uczysz się języka Python oraz Data Science razem ze mną od podstaw i potem przechodzimy do nauki AI. W praktyce oznacza to, że uczysz się wszystkich potrzebnych zagadnień od początku, a wszystko z moją pomocą krok po kroku. To praktyczna ścieżka, która szybciej zaprowadzi Cię do kariery w IT.

1. Automatyzacja procesów - 44h

W tej sekcji zbudujesz aplikacje do portfolio, w których wdrożysz automatyzacje procesów, Data Science, AI, interfejs użytkownika. Już na tym etapie nauki Twoje portfolio będzie profesjonalne i atrakcyjne, ponieważ w aplikacjach znajdzie się:

Warstwa repozytoryjna do komunikacji z dowolnym rodzajem plików,
Asynchroniczne monitorowanie zawartości plików i katalogów,
Zarządzanie arkuszami Excel,
NumPy oraz Pandas,
Zadania cykliczne i harmonogramowanie zadań,
Komunikacja z różnego rodzaju API do pozyskiwania danych,
Zarządzanie skrzynką mailową,
Generowanie faktur,
Generowanie PDF,
Generowanie raportów i statystyki z przetworzonych danych,
Gen AI, np. sterowanie głosem, generowanie dokumentów, wykorzystanie ChatGPT i innych modeli LLM,
Webowy interfejs użytkownika,
Generowanie plików dźwiękowych na podstawie dostarczonego tekstu
Inne narzędzia – cały czas rozbudowuję te sekcję.

Wszystkie aplikacje będą przetestowane (wysokie pokrycie kodu testami), zadbamy o statyczną analizę kodu oraz o taką strukturę projektów, którą potem bez kłopotu będziesz w stanie wzbogacić o rozwiązania z kolejnych etapów naszej wspólnej nauki.

2. Implementacja własnego agenta AI - 20h

W tej sekcji zaimplementujesz agenta AI. W aplikacji porównamy popularne modele LLM i utworzymy warstwę abstrakcyjną do wygodnej komunikacji z dowolnym modelem LLM. Przygotujemy dane dla modeli LLM za pomocą crawlera oraz scrapera. Całość przetestujemy i uzyskamy wysokie pokrycie kodu testami. Rozbudujesz swoje portfolio o kolejne ciekawe projekty.

Przygotowanie struktury projektu
Przygotowanie platformy / kontenera Ollama
Ekstrakcja danych (crawleer, scraper)
Teoria i porównanie modeli LLM
Implementacja warstwy abstrakcyjnej do pracy z dowolnym modelem LLM
Implementacja warstwy agenta AI
Dostosowanie komponentów agenta AI do pracy z dowolnym modelem LLM
Badanie jakości wyników pracy agenta AI
Implementacja testów

3. LangChain - 11h

W tej sekcji wejdziesz w ekosystem LangChain – od podstawowych pojęć po budowę gotowych do wdrożenia aplikacji. Nauczysz się łączyć różne modele LLM, podpinać dowolne źródła danych, korzystać z agentów, narzędzi i executorów, a także monitorować i stroić przepływy za pomocą LangSmith. Zbudujemy pełny stack (backend + frontend), dołożymy wektorowe bazy i skonfigurujemy parsery.

Omówienie pojęć związanych z LangChain
Przygotowanie aplikacji Python do pracy z LangChain
Piszemy pierwszą aplikację wykorzystującą LangChain
Konfiguracja połączenia LangChain z dowolnym źródłem danych
Konfiguracja połączenia LangChain z ChatGPT oraz innymi modelami LLM
Teoria i praktyczne wykorzystanie Agent, Tool, Executor
Wdrożenie aplikacji fullstack z wykorzystaniem LangChain
Monitorowanie aplikacji wykorzystującej LangChain za pomocą narzędzia LangSmith
Konfiguracja parserów
Konfiguracja aplikacji wykorzystującej LangChain do pracy z wektorowymi bazami danych (Pinecone)
Budowania chat AI z wykorzystaniem LangChain
Piszemy projekt praktyczny wykorzystujący narzędzie LangChain

4. Środowisko programistyczne dla ML / DL - 2h

Zaczynamy szczegółową naukę Machine Learning oraz Deep Learning. W pierwszej kolejności musisz zainstalować odpowiednie środowisko programistyczne dla ML / DL. Najwyższa pora wykorzystać możliwości chmury do pracy z modelami AI.

Omówienie podstawowych zagadnień z zakresu Machine Learning oraz Deep Learning
Porównanie środowisk programistycznych
Konfiguracja wybranego środowiska (Google Colab, GitHub Codespaces, Anaconda)
Jupyter Notebook

5. Projektowanie i wdrażanie modelu AI - 9h

W tej sekcji piszemy projekt, który będzie szablonem do pracy z dowolnym modelem AI. Dzięki temu poznasz wzorzec postępowania, który wykorzystasz w przyszłych aplikacjach.

Wprowadzenie pojęć związanych z uczeniem maszynowym
Klasyfikacja systemów uczenia maszynowego
Sposoby analizy problemu biznesowego pod kątem ML
Analiza charakteru i selekcja danych
Podział na zbiór testowy i treningowy.
Data preprocessing
Transformatory
Dobór modelu
Pipelines
Wdrażanie modelu
Testowanie i ocena modelu
Strojenie hiperparametrów modelu
Przygotowanie modelu do wykorzystania w środowisku produkcyjnym

6. Machine Learning, Scikit-learn - 33h

Kiedy masz już szablon projektu do pracy z dowolnym modelem AI, najwyższa pora poznać mechanizmy związane z Machine Learning oraz Deep Learning. W pierwszej kolejności skupimy się na ML i bibliotece Scikit-learn.