MAKE DATA
WORK.
RESHAPE THE
FUTURE.

Czego się nauczysz?
✅ Praktycznego wykorzystania API modeli językowych. Zautomatyzujesz komunikację z LLM w swoich aplikacjach, co pozwoli Ci budować rozwiązania AI zamiast ręcznego korzystania z ChatGPT (lub podobnych).
✅ Technik promptowania (zero-shot, few-shot, chain-of-thought). Nauczysz się skutecznie "programować" LLM przez odpowiednie instrukcje, co znacząco zwiększy trafność i jakość otrzymywanych odpowiedzi.
✅ Generowania i optymalizacji zapytań SQL przy pomocy LLM. Umożliwisz LLM samodzielną pracę z bazami danych, co jest kluczowe przy budowie systemów RAG i inteligentnych asystentów z dostępem do danych.
✅ Strukturyzacji danych tekstowych w format JSON. Nauczysz się przekształcać nieustrukturyzowany tekst w format zrozumiały dla systemów, co pozwoli na automatyczne przetwarzanie i analizę danych.
✅ Tworzenia interaktywnych asystentów konwersacyjnych. Zobaczysz jak można zaprojektować własnego chatbota z pamięcią kontekstu i zdolnością prowadzenia spójnych dialogów, który może zastąpić Cię w powtarzalnych zadaniach.

Co będziesz robić?
👉 Implementacja asystenta do generowania zapytań SQL
👉 Automatyczna klasyfikacja wiadomości SMS
👉 Ekstrakcja strukturyzowanych danych z ofert pracy
👉 Tworzenie asystenta do zamawiania pizzy

Aha-moment:
🤗 Skuteczne wykorzystanie LLM to sztuka precyzyjnego komunikowania swoich potrzeb poprzez odpowiednio skonstruowane prompty, które pozwalają rozbijać złożone zadania na mniejsze części i kontrolować format otrzymywanych wyników - bez potrzeby posiadania zaawansowanej wiedzy technicznej.

Co wyjaśni ten moduł?
🤔 Jakie są różnice między technikami promptowania?
🤔 Jak iteracyjnie udoskonalać prompty?
🤔 Jak łączyć LLM z bazami danych?
🤔 Jak konstruować efektywne prompty systemowe?
🤔 Jakie są wyzwania związane z tworzeniem promptów do analizy
danych?

+ Bonus

Czego się nauczysz?
✅ Implementacji Structure Prompting. Zyskasz pełną kontrolę nad formatem odpowiedzi LLM, co jest kluczowe przy budowie niezawodnych aplikacji AI i automatyzacji procesów biznesowych.
✅ Wykorzystania Function Calling, Pydantic i Instructor. Nauczysz się "zmuszać" LLM do generowania odpowiedzi w ściśle określonym formacie, co umożliwi bezpośrednią integrację z dowolnym systemem IT bez potrzeby dodatkowego przetwarzania.
✅ Tworzenia walidatorów z użyciem Pydantic. Zbudujesz system kontroli jakości odpowiedzi LLM, który automatycznie wykryje błędy i niespójności, zabezpieczając Twoją aplikację przed nieprawidłowymi danymi.
✅ Obsługi niepewnych odpowiedzi poprzez wzorzec Maybe. Nauczysz się elegancko obsługiwać sytuacje gdy LLM nie jest pewny odpowiedzi, co znacząco zwiększy niezawodność Twoich aplikacji AI w produkcji.
✅ Automatycznego naprawiania błędów w odpowiedzi. Zaimplementujesz system auto-korekcji, który samodzielnie wykryje i naprawi błędy w odpowiedziach LLM, minimalizując potrzebę ludzkiej interwencji.

Co będziesz robić?
👉 Generowanie strukturyzowanych list zakupów z walidacją
👉 Tworzenie asystenta do generowania umów najmu
👉 Implementacja systemu analizy ofert pracy
👉 Budowa walidatorów dla systemu zamówień

Aha-moment:
🤗 Strukturyzacja, walidacja oraz automatyczna naprawiania błędów to klucz do przekształcenia nieprzewidywalnych odpowiedzi LLM w stabilne komponenty systemów produkcyjnych.

Co wyjaśni ten moduł?
🤔 Jakie są najlepsze sposoby strukturyzowania komunikacji z LLM?
🤔 Jak tworzyć schematy JSON do walidacji odpowiedzi, aby zapewnić spójność wyników?
🤔 Jak definiować schematy i integrować z API przy użyciu narzędzia Instructor?
🤔 Jak tworzyć walidatory w Pydantic, które pozwalają na skuteczną walidację odpowiedzi generowanych przez LLM?
🤔 Jak implementować wzorzec `Maybe`, aby obsługiwać opcjonalne wartości, oraz jak generować szablony dokumentów na podstawie odpowiedzi LLM?

+ Bonus

Czego się nauczysz?
✅ Implementacji systemu RAG z obsługą dokumentów finansowych. Zbudujesz system, który automatycznie analizuje dokumenty finansowe i odpowiada na złożone pytania biznesowe, oszczędzając godziny ręcznej analizy danych.
✅ Strukturyzacji i przetwarzania sprawozdań finansowych. Nauczysz się przekształcać skomplikowane dokumenty finansowe w format zrozumiały dla LLM, co pozwoli na błyskawiczną analizę nawet obszernych raportów.
✅ Projektowania "mapy wiedzy" do sterowania procesem analizy. Stworzysz inteligentny system nawigacji po dokumentach, który wie gdzie szukać konkretnych informacji, znacząco zwiększając trafność i szybkość odpowiedzi.
✅ Optymalizacji wyszukiwania poprzez pytania pomocnicze. Zaimplementujesz zaawansowane techniki wyszukiwania, które sprawią, że Twój system będzie znajdował precyzyjne odpowiedzi nawet w obszernych zbiorach dokumentów.
✅ Efektywnego wykorzystania API do analizy wielu dokumentów. Nauczysz się równoległego przetwarzania dokumentów, co pozwoli na szybką analizę całych archiwów firmowych i wyciąganie z nich praktycznych wniosków.

Co będziesz robić?
👉 Analiza sprawozdań finansowych. Przeanalizujesz rzeczywiste raporty finansowe dużych polskich firm, skupiając się na kluczowych wskaźnikach.
👉 Budowa asystenta finansowego. Stworzysz system do automatycznej analizy sprawozdań finansowych, który generuje rekomendacje.
👉 Automatyzacja analizy dokumentów finansowych. Opracujesz systemy automatyzujące przetwarzanie dokumentów finansowych, takich jak bilanse czy rachunki zysków.
👉 System odpowiedzi na pytania finansowe. Stworzysz system do udzielania odpowiedzi na złożone pytania finansowe, wykorzystując pytania pomocnicze do precyzyjnych odpowiedzi.

Aha-moment:
🤗 Skuteczne wykorzystanie LLM wymaga nie tylko dobrego promptowania, ale i przemyślanej architektury przetwarzania danych, w tym strukturyzacji i optymalizacji
wywołań. Niewłaściwy chunking to jak przypadkowe krojenie książki – możesz stracić kluczowy kontekst. Dostarczenie precyzyjnego kontekstu to Twoja odpowiedzialność!

Co wyjaśni ten moduł?
🤔 Jakie są główne komponenty systemu Retrieval-Augmented Generation (RAG)?
🤔 Jak wykorzystać LLM do analizy dokumentów i jak projektować struktury danych ułatwiające wyszukiwanie informacji?
🤔 Jakie techniki optymalizacji pozwalają na szybsze i dokładniejsze przetwarzanie
dokumentów finansowych w systemie RAG?
🤔 Jakie metody pozwalają na poprawę precyzyjności wyszukiwania kontekstu w systemie RAG, zwłaszcza w przypadku dużych zbiorów danych?
🤔 Jak przetwarzać dokumenty PDF na format markdown?

+ Bonus

Czego się nauczysz?
✅ Implementacji wzorców ReAct i CoAct w systemach agentowych. Stworzysz inteligentnych agentów AI zdolnych do samodzielnego rozumowania i podejmowania decyzji, automatyzując złożone procesy biznesowe wymagające wcześniej ludzkiej analizy.
✅ Tworzenia systemów do automatycznej analizy dokumentów prawnych. Zbudujesz system, który automatycznie analizuje umowy i dokumenty prawne, wykrywając potencjalne ryzyka i niezgodności, oszczędzając setki godzin pracy prawników.
✅ Projektowania i implementacji list kontrolnych dla walidacji umów. Zautomatyzujesz proces sprawdzania poprawności dokumentów prawnych, eliminując ludzkie błędy i znacząco przyspieszając proces weryfikacji.
✅ Generowania dokumentów prawnych z wykorzystaniem LLM. Stworzysz system automatycznie generujący spersonalizowane dokumenty prawne, redukując czas ich przygotowania z godzin do minut.
✅ Budowy systemów wieloagentowych z mechanizmami koordynacji. Zaimplementujesz zespół współpracujących agentów AI, którzy wspólnie realizują złożone zadania, naśladując ludzki zespół ekspertów.

Co będziesz robić?
👉 System obsługi zamówień w pizzerii wykorzystujący agenta ReAct
👉 Automatyczny system zbierania danych do umowy najmu
👉 Generator umów prawnych z walidacją i poprawkami
👉 System wieloagentowy do kompleksowej obsługi dokumentów prawnych

Aha-moment:
🤗 Nie szukaj magicznego prompta, ale stwórz orkiestrę AI: Prawdziwa rewolucja LLM
tkwi w projektowaniu inteligentnych systemów, gdzie wiele agentów,
prowadzonych przez ludzką ekspertyzę i procedury, współgra ze sobą, tworząc
przewidywalny i potężny proces biznesowy.

Co wyjaśni ten moduł?
🤔 Jakie są główne różnice między RAG a Agentami AI?
🤔 Jak zaimplementować agenta ReAct do zbierania danych?
🤔 Jak zaimplementować generator umów z LLM?
🤔 Jak zaimplementować system wieloagentowy?
🤔 Jak koordynować pracę wielu agentów w złożonym systemie?

+ Bonus

Czego się nauczysz?
✅ Ekstrakcji cech z tekstu przy pomocy LLM dla modeli ML. Wykorzystasz potężne możliwości LLM do automatycznego wydobywania kluczowych informacji z tekstu, co znacząco poprawi jakość klasycznych modeli ML i uprości proces przygotowania danych.
✅ Projektowania struktur danych do walidacji i normalizacji. Stworzysz niezawodny system przekształcania nieuporządkowanych danych tekstowych w format idealny dla modeli ML, eliminując czasochłonne ręczne czyszczenie danych.
✅ Tworzenia interfejsów konwersacyjnych do modeli ML. Zbudujesz intuicyjny interfejs chatbota, który pozwoli nietechnicznym użytkownikom łatwo korzystać ze skomplikowanych modeli ML poprzez naturalną rozmowę.
✅ Automatyzacji procesów analizy danych. Zaimplementujesz system, który automatycznie przeprowadza złożone analizy danych i generuje zrozumiałe raporty, oszczędzając godziny pracy analityków.
✅ Implementacji systemów łączących LLM z klasycznym ML. Stworzysz hybrydowe rozwiązania AI, które łączą precyzję klasycznego ML z elastycznością LLM, osiągając lepsze wyniki niż każda z tych technologii osobno.


Co będziesz robić?
👉 Ekstrakcji cech z tekstu przy pomocy LLM dla modeli ML
👉 Projektowania struktur danych do walidacji i normalizacji
👉 Tworzenia interfejsów konwersacyjnych do modeli ML
👉 Automatyzacji procesów analizy danych
👉 Implementacji systemów łączących LLM z klasycznym ML

Aha-moment:
🤗 LLM nie tylko rozumie język naturalny, ale także automatycznie generuje bogate reprezentacje cech z surowych danych tekstowych, eliminując potrzebę ręcznego preprocessingu i ekstrakcji cech w klasycznym Machine Learningu. To oznacza, że LLM staje się kluczowym elementem, który łączy nieustrukturyzowane dane z ustrukturyzowanymi modelami ML, rewolucjonizując cały pipeline przetwarzania danych.

Co wyjaśni ten moduł?
🤔 Jak skutecznie łączyć klasyczne modele ML z LLM?
🤔 Jak zoptymalizować ekstrakcję cech z tekstu przy użyciu LLM?
🤔 Jak radzić sobie z błędami i niepewnością w wynikach
generowanych przez LLM?
🤔 Jakie kroki należy podjąć, aby stworzyć system agentowy oparty na LLM, który efektywnie łączy analizę tekstu, klasyczne modele ML i automatyzację?

+ Bonus

Czego się nauczysz?
✅ Mapowania złożoności systemów AI (7 poziomów autonomii AI) i rozumienie, czym jest Software 3.0 w praktyce, aby objąć właściwą strategię i plan działania, który zawsze prowadzi do jednego - kontroli i umiejętności zarządzania systemem, jak inżynier.
✅ Zarządzać kontekstem - kluczowe w tworzeniu agentów AI.
✅ Poznasz podstawowe narzędzia i techniki (m.in. Jinja), które pozwolą rozpocząć pracę z inżynierią kontekstu.
✅ Jakie są 4 główne problemy z kontekstem (Poisoning, Distraction, Confusion, Clash), które niszczą projekty AI w produkcji i jak sobie z nimi radzić.
✅ Jak zarządzać złożonością promptów - sprawdzony i stabilny silnik do szablonów (organizacja pod produkcyjne rozwiązania - łatwo w urzymaniu).
✅ Jak dynamicznie składać finalny kontekst z wielu sygnałów: narzędzi (actions), pamięci (memory) i wiedzy (knowledge base).
✅ Jak metodycznie przekształcać niejasny problem biznesowy w solidną, techniczną architekturę agenta AI, gotową do implementacji.
✅ Zrozumienie i praktyczne wdrożenie dwukierunkowej komunikacji głosowej w systemach AI.

Co będziesz robić?
👉 "prompt-as-code" i jak używać modeli Pydantic do tworzenia precyzyjnych Structured Outputs
👉 mapować naturalną konwersację na techniczną strukturę messages (role user i assistant)
👉 pisać skuteczny system_prompt, który steruje zachowaniem LLM-a, włączając w to inicjację rozmowy i logikę negocjacji
👉 iteracyjnie symulować i testować działanie agenta na różnych etapach rozmowy

Co zbudujesz?
💪 AI Taxi Dispatcher - dzwonisz i zamawiasz taksówkę z pomocą AI

Do Twego CV ląduje konkretny use case, a wraz z nim konkret:

• Ewolucja głosów AI
• Analiza dźwięk z perspektywy AI
• Wyposażanie agenta w głos i słuch
• Sterowanie emocjami AI bez kodowania
• Kompromisy jakości dźwięku
• Wielojęzyczne interakcje
• STT do realistycznego brzmienia

Aha-moment:
🤗 Zrozumiesz, dlaczego statyczne, szablonowe prompty to za mało, gdy budujemy inteligentne systemy. Pokażę Ci, jak dynamicznie konstruować kontekst dla modelu, aby był on świadomy historii rozmowy, dostępnych narzędzi i swojej aktualnej misji.

Co wyjaśni ten moduł?
🤔 Dlaczego inżynieria kontekstu jest sercem systemów poziomu 4, a jednocześnie potrafić ją sprawnie zaimplementować na poziomie kodu.

+ Bonus

Czego się nauczysz?
✅ Stateless vs Stateful: zobaczysz w kodzie (na żywym organizmie), jaka jest różnica w jakości odpowiedzi między "głupim" chatbotem z amnezją a agentem, który zna historię i preferencje użytkownika.
✅ Blueprint architektury pamięci: poznasz nasz autorski, 7-warstwowy model pamięci (od Constitutional po Resource Memory), który pozwala budować stabilne systemy produkcyjne.
✅ Projektowania przez redukcję: na przykładzie Restaurant Concierge vs Taxi Dispatcher nauczysz się decydować, które warstwy pamięci są krytyczne dla danego biznesu, a które można bezpiecznie pominąć.
✅ Dowiesz się, dlaczego "nieskończone okno kontekstowe" to pułapka i jak inżyniersko balansować między kosztem, opóźnieniem (latency) a precyzją modelu.
✅ Implementować warstwy pamięci w rozwiązaniach agentowych.
✅ Przekształcać prototyp z lekcji w solidną, modularną architekturę MVP, która przetrwa zderzenie z rzeczywistością.
✅ Nadawać agentom Skille.

Co będziesz robić?
👉 Mapowanie abstrakcji na kod: przekładać teoretyczne warstwy pamięci na twarde struktury danych w Pydantic
👉 Zaimplementujesz cztery kluczowe operacje na pamięci: Write (zapisz), Select (wybierz), Compress (skompresuj) oraz Isolate (izoluj).
👉 Zbudujesz spójne źródła prawdy dla całego systemu, eliminując chaos w zarządzaniu stanem
👉Zaimplementujesz mechanizm Sliding Window (przesuwne okno) i poznasz koncepcję "Czystej Kartki" dla Sub-agentów, aby unikać problemu Lost in the Middle
👉 Budować system do debugowania agentów

Co zbudujesz?
💪 AI Language Coach (Tutor) - dzwonisz i zamawiasz taksówkę z pomocą AI

Zaprojektowanie systemu "śledzenie wiedzy", który przekształca pasywnego chatbota w aktywnego tutora, stosującego strategie pedagogiczne zamiast prostego odpowiadania na pytania.

Aha-moment:
🤗 Pamięć to nie baza danych - to proces selekcji. Twoim celem nie jest zapamiętanie wszystkiego, ale dostarczenie właściwego faktu we właściwym momencie.

Co wyjaśni ten moduł?
🤔 Inteligencja bez pamięci jest irytująca – na kodzie udowadniamy, że nawet najdroższy model bez kontekstu zachowuje się jak "inteligentny amnezjak". To inżynieria pamięci, a nie sam model, decyduje o tym, czy system w kółko zadaje te same pytania, czy proaktywnie rozwiązuje problem.

+ Bonus

Czego się nauczysz?
✅ Zrozumiesz fundamentalną różnicę między Hostem, Klientem a Serwerem w architekturze MCP i dowiesz się, dlaczego to Twoja aplikacja jest Hostem
✅ Nauczysz się precyzyjnie rozróżniać narzędzia, zasoby i prompty, aby nie kazać agentowi wykonywać akcji na statycznych plikach.
✅ Komunikacji procesów i zrozumiesz, jak to działa pod maską oraz dlaczego lokalne studio to świetny poligon, ale koszmar na produkcji
✅ Czego nie możesz robić, jak nie chcesz koszmaru na produkcji (demo wszystko przyjmie jeśli chodzi o MCP... ale co dalej?)
✅ Zarządzać chaosem narzędzi (MCP pod maską i opanowanie metod ochrony agenta przed zalewem tysięcy narzędzi)
✅ Zrozumienie MCP Gateway jako centralnego punktu kontroli oraz transformacja surowego API w inteligentne narzędzie agentowe.
✅ Na czym polega rewolucja "Code Mode" i dlaczego jest ona koszmarem dla działów bezpieczeństwa?
✅ Projektować i implementować adaptacyjny mechanizmu doboru narzędzi z wykorzystaniem dynamicznych modeli danych.
✅ Przekujesz teoretyczny plan działania w fizyczne wywołania API i sformatowany raport, domykając tym samym pętlę request-response w architekturze agentowej.

Co będziesz robić?
👉 Napiszesz od zera własną implementację serwera i klienta w Pythonie, zamiast polegać na gotowych czarnych skrzynkach.
👉 Używać opisów funkcji i typy zmiennych w Pythonie, które stają się precyzyjną instrukcją sterującą dla modelu językowego
👉 Używać Structured Output i Pydantic jako "ogniowej ściany" chroniącej przed prompt injection
👉 Implementować warstwę Discovery oddzieloną od warstwy Execution
👉 Implementować Resource Memory i zarządzać zaufanymi domenami.
👉 Wymuszać weryfikowalność odpowiedzi poprzez techniczny mechanizm cytowań
👉 Projektować system AI odpornych na zmiany zewnętrznych protokołów i narzędzi.

Aha-moment:
🤗 Stabilność ponad nowinki. Uczymy się wzorców architektonicznych, które przetrwają zmianę wersji biblioteki. Narzędzia się zmieniają, architektura pozostaje.

Co wyjaśni ten moduł?
🤔 MCP to jedynie detal techniczny. Traktuj ten protokół jak złącze - często podaje się analogię do USB-C. Jest świetny, bo standaryzuje wtyczkę, ale ważniejszy jest problem biznesowy, który rozwiązujesz, a nie specyfikacja kabla.

+ Bonus

Czego się nauczysz?
✅ Jak wymusić na modelu logiczne myślenie i bezpiecznie delegować mu zadania wymagające planowania, zamiast tylko generowania tekstu.
✅ Dlaczego przeskok z poziomu kontekstu na poziom strategii jest trudnym testem inżynierskim?
✅ Jak unikać kosztownych błędów metodą brute-force i dlaczego samo pytanie modelu nie wystarczy?
✅ W jaki sposób krystalizowanie myśli poprzez schematy danych zwiększa przewidywalność systemów?
✅ Jakie nowe kategorie zagrożeń pojawiają się w momencie nadania modelom autonomii decyzyjnej?
✅ Jak zaimplementować trzy kluczowe wzorce wnioskowania, które porządkują chaos generatywny?
✅ Czym różni się podejście statyczne od adaptacyjnego w systemach AI
✅ Zmieniać statyczne definicje w autonomiczny system, implementując funkcję dispatch i domykając pętlę sprzężenia zwrotnego, która zamienia probabilistyczne plany w deterministyczne działanie.

Co będziesz robić?
👉 pętla ReAct i Dispatch w kontekście dużych modeli językowych
👉 Schema-Guided Reasoning do weryfikacji decyzji
👉 zarządzać opóźnieniami wynikającymi z procesu myślowego agenta
👉 dzielić pamięć agenta na warstwy konstytucyjne i epizodyczne
👉 budować lejek decyzyjny ograniczający halucynacje modelu

Co zbudujesz?
💪Stworzysz w pełni autonomiczny system rezerwacji, który samodzielnie wykryje i naprawi błędy w nieprecyzyjnych danych wejściowych bez udziału człowieka.
💪Zbudujesz system klasy Deep Research, który nie tylko wyszukuje informacje, ale samodzielnie tworzy strategię badań, weryfikuje sprzeczne źródła i adaptuje swój plan działania w czasie rzeczywistym.

Do Twego CV lądują konkretne use case, a wraz z nim konkret:

• zaprojektujesz struktury danych dla wielowymiarowego planu badawczego
• stworzysz logikę strategicznej dekompozycji zapytania użytkownika
• zbudujesz system zarządzania stanem wiedzy i pamięcią agenta
• zaimplementujesz dynamiczny prompt sterujący procesem decyzyjnym
• zdefiniujesz przestrzeń akcji dla silnika wnioskowania
• uruchomisz pętlę schema guided reasoning z obsługą błędów
• wygenerujesz końcowy raport z precyzyjnym cytowaniem źródeł

Aha-moment:
🤗 Umiesz tworzyć MVP (Minimum Viable Product) systemu klasy Perplexity. Oczywiście, musisz mieć świadomość, że zbudowanie produkcyjnego "Google Killera" to nie jest kwestia dwóch godzin kodowania. Tutaj wciąż jest masa przestrzeni na tuning: optymalizację promptów, lepsze filtrowanie domen, czy bardziej wyrafinowane heurystyki decyzyjne. Jednak... naszym celem jest pokazanie Ci, jak spiąć ten proces end-to-end. Po tym module Masz to w rekach - działający szkielet, który możesz rozwijać w nieskończoność.

+ Bonus

Czego się nauczysz?
✅ Dlaczego gotowe frameworki do ewaluacji są często bezużyteczne w produkcji
✅ Jak projektować testy binarne zamiast abstrakcyjnych skal punktowych
✅ Jak analizować surowe logi konwersacji pod kątem twardych danych
✅ Jak stworzyć hierarchię testów od pojedynczego sprawdzenia do pełnego rankingu
✅ Jak napisać swój pierwszy inżynierski test logiczny w Pythonie
✅ Budować kompletny system inżynierski, który transformuje statyczny kontrakt jakości w dynamicznego, cyfrowego sędziego, zdolnego do automatycznej i precyzyjnej oceny setek dialogów jednocześnie.
✅ Generować czytelne raporty biznesowe i metryki jakości

Co będziesz robić?
👉 Analiza struktury kontraktu jakości w formacie Markdown
👉 Implementacja parsera reguł przy użyciu wyrażeń regularnych
👉 Dynamiczne generowanie modeli danych Pydantic w czasie rzeczywistym
👉 Wykorzystanie Structured Output do stabilnej obsługi złożonych formularzy
👉 Projektowanie promptu systemowego dla Sędziego z techniką Few-Shot
👉 Orkiestracja procesu ewaluacji z podziałem na obszary tematyczne

Co zbudujesz?
💪 Zbudujesz od zera i poddasz ocenie jakościowej kompletny system agentowy klasy Software 3.0, który łączy wielowarstwową pamięć z ustrukturyzowanym procesem decyzyjnym.

Do Twego CV lądują konkretne use case, a wraz z nim konkret:

• Jak zastosować DDD Lite do mapowania nietrywialnego problemu psychologicznego
• Jak wygenerować syntetyczne "Ground Truth" (scenariusze) do testowania agenta
• Jak zaprojektować maszynę stanów dla procesu opartego na refleksji, a nie transakcji
• Jak wymusić na modelu "myślenie przed mówieniem" przy użyciu Structured Output
• Jak stworzyć wykonywalny plik Leaderboard Card z kryteriami MUST-HAVE
• Jak napisać System Prompt realizujący precyzyjne metryki jakości
• Jak zainicjalizować profesjonalną strukturę plików (Scaffolding) pod duży projekt

+ Bonus

Dowiesz się:
1. jak poruszać się w jupyter
2. czym jest zmienna
3. najważniejsze typy zmiennych
4. czym jest pętla
5. list/dict comprehension
6. funkcje
7. anonimowe funkcje
8. praca z set, list, dict9. inne przydatne funkcje zip, enumerate itd

Dowiesz się:
1. jak numpy wspiera python
2. typ danych i konwertacja ze zmiennych pythona w numpy
3. operacja na wektorach
4. universal functions
5. Indexing & slicinng
6. wprowadzenie do pandas: Series, DataFrame
7. wczytanie i zapis danych z/do różnych formatów (csv, excel, json itd)
8. bazowe informacje na temat danych
9. filtracja (kolumn, wierszy), indeksowanie

Dowiesz się:
1. przekształcenie danych (np. operacje arytmetyczne i inne)
2. grupowanie, agregacja, sortowanie...
3. łączenie danych (sklejanie tablic, łączenie po kluczu itd)
4. tworzenie cross tabulation oraz pivot table
5. cut & binning
6. filtrowanie podobnie jak w sql
7. zarządzanie brakującymi wartościami
8. szybka wizualizacja (histogram i inne)
9. używanie innych przydatnych (mało znanych) funkcji

Dowiesz się:
✓ cechy (features), zmiena docelowa (target variable), obiekty (objects)
✓ feature engineering, feature selection, model selection
✓ dwa klasyczne zadania: regresja i klasyfikacja

+ Bonus

Dowiesz się:
✓ jak zorientować się w bibliotece sklearn i poradzić sobie z różnymi algorytmami, takie jak drzewa decyzyjne (decision trees), lasy losowe (random forest) i inne
✓ dlaczego jest tak ważna prawidłowa walidacja modeli, np. krzyżowa walidacja (cross-validation) czy inne
✓ dlaczego wizualizacja to Twój przyjaciel i poznasz proste wskazówki jak to robić

+ Bonus

Dowiesz się:
✓ Co to jest Gradient Boosting
✓ Sprawdzisz na kilku najlepszych implementacji (gradient boosting) CatBoost, XGBoost, LightGBM
✓ Optymalizacja hyperparametrów w pragmatyczny sposób

+ Bonus

Dowiesz się:
technikach tworzenia cech
✓ ... dla wartości ciągłych
✓ ... dla wartości kategorialnych
✓ ... dla dat i innych
+ Bonus