🚀 AI Engineering Bootcamp: LangChain, LLMs & Nowoczesne Systemy AI
📌 Czas trwania: 20h
📌 Poziom: Średniozaawansowany (dla programistów znających podstawy Pythona)
📌 Forma: Kurs online z materiałami wideo, ćwiczeniami i mini-projektem
🛠 Opis kursu
Ten intensywny bootcamp AI Engineering nauczy Cię, jak budować nowoczesne aplikacje oparte na Large Language Models (LLMs), wykorzystując narzędzia takie jak LangChain, LangFlow, LangGraph i LangSmith. Przejdziesz przez cały proces — od podstaw Pythona, przez RAG (Retrieval-Augmented Generation), integrację z PostgreSQL, aż po deployment w Dockerze. Wykorzystamy również Pydantic do zarządzania schematami danych i walidacji.
Kurs jest praktyczny — większość czasu spędzisz na kodowaniu, a na końcu stworzysz własny mini-projekt AI.
📚 AI Engineering Bootcamp – szczegółowy program z opisem podpunktów
| Moduł | Temat | Podpunkty | Co zyskasz po ukończeniu modułu? |
|---|---|---|---|
| 1 | 📌 Wprowadzenie do AI Engineering (60 min = 6 lekcji) | 🔹 1. Kim jest AI Engineer? 🔹 2. Jakie umiejętności są potrzebne w AI Engineering? 🔹 3. Przegląd kluczowych narzędzi: LangChain, LangFlow, LangGraph, LangSmith 🔹 4. Wprowadzenie do technologii wspierających: Docker, FastAPI, PostgreSQL 🔹 5. Jak wygląda proces tworzenia aplikacji AI? 🔹 6. Jak uczyć się efektywnie w kursie? | ✅ Zrozumiesz rolę AI Engineera i jego różnice względem Data Scientist. ✅ Poznasz kluczowe narzędzia używane w AI Engineering. ✅ Dowiesz się, jak efektywnie przyswajać wiedzę z kursu. |
| 2 | 🐍 Python dla AI (120 min = 12 lekcji) | 🔹 7. Podstawowe składnie i struktury w Pythonie 🔹 8. Operacje na plikach i podstawy pracy z danymi 🔹 9. Programowanie asynchroniczne w AI (asyncio) 🔹 10. Obsługa błędów i debugowanie kodu 🔹 11. Wprowadzenie do programowania obiektowego (OOP) 🔹 12. Modułowość i organizacja kodu w AI 🔹 13. Zaawansowane struktury danych: listy, słowniki, zbiory 🔹 14. Praca z bibliotekami NumPy i Pandas 🔹 15. Tworzenie i obsługa API w Pythonie 🔹 16. Testowanie kodu w Pythonie 🔹 17. Wprowadzenie do środowiska Jupyter Notebook 🔹 18. Optymalizacja kodu w Pythonie | ✅ Będziesz w stanie pisać kod w Pythonie na poziomie wymaganym do pracy z AI. ✅ Nauczysz się optymalizować kod pod kątem wydajności (asynchroniczność). ✅ Poznasz zasady organizowania kodu w projektach AI. |
| 3 | 🛠 Pydantic i zarządzanie danymi (60 min = 6 lekcji) | 🔹 19. Co to jest Pydantic i dlaczego jest ważny? 🔹 20. Tworzenie modeli danych w Pydantic 🔹 21. Walidacja danych – najlepsze praktyki 🔹 22. Serializacja i deserializacja JSON 🔹 23. Obsługa błędów i wyjątków w modelach Pydantic 🔹 24. Integracja Pydantic z LangChain | ✅ Zrozumiesz, jak używać Pydantic do zarządzania danymi w projektach AI. ✅ Nauczysz się walidować i serializować dane. ✅ Będziesz mógł efektywnie integrować Pydantic z LangChain. |
| 4 | 🧠 Wstęp do LLMs (60 min = 6 lekcji) | 🔹 25. Jak działają Large Language Models (LLMs)? 🔹 26. Różnice między OpenAI API a modelami lokalnymi 🔹 27. Wprowadzenie do prompt engineeringu 🔹 28. Praktyczne przykłady skutecznego promptowania 🔹 29. Fine-tuning modeli LLMs 🔹 30. Jakie są ograniczenia modeli LLMs? | ✅ Poznasz zasady działania LLMs. ✅ Nauczysz się skutecznie promptować i fine-tuningu modeli. ✅ Zrozumiesz ograniczenia LLMs. |
| 5 | 🔗 LangChain – Budowanie aplikacji AI (120 min = 12 lekcji) | 🔹 31. Wprowadzenie do LangChain i jego architektury 🔹 32. Prompt chaining – jak skutecznie budować łańcuchy zapytań 🔹 33. Wykorzystanie pamięci (memory) w LangChain 🔹 34. Tworzenie agentów AI i ich narzędzi (Tools) 🔹 35. Połączenie LangChain z bazami danych 🔹 36. Jak obsługiwać API OpenAI w LangChain? 🔹 37. Tworzenie dynamicznych aplikacji AI z LangChain 🔹 38. Testowanie i debugowanie aplikacji LangChain 🔹 39. Jak zintegrować LangChain z innymi technologiami? 🔹 40. Zastosowanie LangChain w chatbotach 🔹 41. Tworzenie modeli rekomendacyjnych w LangChain 🔹 42. Skalowanie aplikacji LangChain | ✅ Nauczysz się budować zaawansowane aplikacje AI z wykorzystaniem LangChain. ✅ Poznasz techniki chainingu, wykorzystania pamięci i tworzenia agentów. ✅ Będziesz mógł integrować LangChain z różnymi technologiami. |
| 6 | ⚙️ LangFlow – AI bez kodowania (120 min = 12 lekcji) | 🔹 43. Wizualne budowanie aplikacji AI 🔹 44. Tworzenie chainów i testowanie ich działania 🔹 45. LangFlow vs LangChain – kluczowe różnice 🔹 46. Optymalizacja przepływu danych 🔹 47. Praca z blokami w LangFlow 🔹 48. Tworzenie chatbotów w LangFlow 🔹 49. Automatyzacja procesów w LangFlow 🔹 50. Łączenie LangFlow z danymi zewnętrznymi 🔹 51. Eksportowanie i wdrażanie modeli LangFlow 🔹 52. Integracja LangFlow z FastAPI 🔹 53. Testowanie i monitorowanie aplikacji LangFlow 🔹 54. Skalowanie aplikacji LangFlow | ✅ Nauczysz się wizualnie budować aplikacje AI. ✅ Poznasz różnice między LangFlow i LangChain. ✅ Będziesz mógł automatyzować procesy i wdrażać modele LangFlow. |
| 7 | 📊 LangGraph – Orkiestracja AI (120 min = 12 lekcji) | 🔹 55. Czym jest LangGraph i jak działa? 🔹 56. Tworzenie workflow dla agentów AI 🔹 57. Obsługa błędów i fallbacki w LangGraph 🔹 58. Wykorzystanie grafów do zarządzania przepływem danych 🔹 59. Tworzenie rozgałęzień w LangGraph 🔹 60. LangGraph vs tradycyjne systemy AI 🔹 61. Tworzenie dynamicznych systemów AI w LangGraph 🔹 62. Debugowanie i testowanie workflow 🔹 63. Optymalizacja przepływów w LangGraph 🔹 64. Integracja LangGraph z innymi technologiami 🔹 65. Zastosowanie LangGraph w systemach rekomendacyjnych 🔹 66. Praktyczne wdrożenia LangGraph | ✅ Nauczysz się orkiestrować AI za pomocą LangGraph. ✅ Poznasz techniki tworzenia workflow i obsługi błędów. ✅ Będziesz mógł integrować LangGraph z innymi technologiami. |
| 8 | 🛠 Debugging i optymalizacja z LangSmith (120 min = 12 lekcji) | 🔹 67. Monitorowanie aplikacji AI w LangSmith 🔹 68. Analiza błędów i debugowanie aplikacji 🔹 69. Testowanie modeli i optymalizacja wydajności 🔹 70. Wykorzystanie LangSmith w skalowalnych systemach AI 🔹 71. Tworzenie zaawansowanych logów i analiz błędów 🔹 72. Debugowanie pipeline'ów AI 🔹 73. Jak zoptymalizować czas odpowiedzi modeli AI? 🔹 74. LangSmith w integracji z bazami danych 🔹 75. Tworzenie testów jednostkowych dla aplikacji AI 🔹 76. Analiza błędów promptów i optymalizacja wyników 🔹 77. Automatyzacja testowania aplikacji LangChain 🔹 78. Wykorzystanie LangSmith do monitorowania chatbotów | ✅ Nauczysz się debugować i optymalizować aplikacje AI za pomocą LangSmith. ✅ Poznasz techniki monitorowania, analizy błędów i testowania modeli. ✅ Będziesz mógł automatyzować testowanie aplikacji LangChain. |
| 9 | 🏛 Retrieval-Augmented Generation (RAG) (120 min = 12 lekcji) | 🔹 79. Jak działa Retrieval-Augmented Generation? 🔹 80. Wykorzystanie PostgreSQL i FAISS do przechowywania danych 🔹 81. Tworzenie chatbotów z bazą wiedzy 🔹 82. Tworzenie aplikacji z dostępem do dokumentacji 🔹 83. Zastosowanie RAG w wyszukiwarkach 🔹 84. Jak połączyć RAG z LangChain? 🔹 85. Tworzenie inteligentnych systemów rekomendacyjnych 🔹 86. Analiza dużych zbiorów danych w RAG 🔹 87. Testowanie i optymalizacja RAG 🔹 88. Skalowanie aplikacji opartych na RAG 🔹 89. RAG vs tradycyjne modele LLM 🔹 90. Praktyczne wdrożenia RAG | ✅ Nauczysz się budować systemy RAG. ✅ Poznasz techniki przechowywania danych w PostgreSQL i FAISS. ✅ Będziesz mógł tworzyć chatboty z bazą wiedzy i systemy rekomendacyjne. |
| 10 | 🚀 Deployment – FastAPI + Docker (120 min = 12 lekcji) | 🔹 91. Jak stworzyć API dla modelu AI? 🔹 92. Wprowadzenie do FastAPI 🔹 93. Tworzenie endpointów w FastAPI 🔹 94. Docker i konteneryzacja AI 🔹 95. Budowanie obrazów Dockera 🔹 96. Uruchamianie aplikacji AI w kontenerze 🔹 97. Tworzenie skalowalnych API 🔹 98. Integracja FastAPI z bazą danych 🔹 99. Jak zabezpieczyć API przed nieautoryzowanym dostępem? 🔹 100. Testowanie i debugowanie aplikacji FastAPI 🔹 101. Automatyzacja wdrażania aplikacji AI 🔹 102. Skalowanie aplikacji FastAPI | ✅ Nauczysz się wdrażać modele AI za pomocą FastAPI i Docker. ✅ Poznasz techniki tworzenia API, konteneryzacji i skalowania. ✅ Będziesz mógł zabezpieczyć API przed nieautoryzowanym dostępem. |
| 11 | 🔥 Projekt końcowy i roadmap kariery (80 min = 8 lekcji) | 🔹 103. Planowanie projektu końcowego – wybór tematu 🔹 104. Tworzenie własnej aplikacji AI od podstaw 🔹 105. Integracja różnych technologii (LangChain, RAG, FastAPI) 🔹 106. Testowanie i optymalizacja gotowej aplikacji 🔹 107. Jak zdobyć pierwszą pracę jako AI Engineer? 🔹 108. Budowanie portfolio AI 🔹 109. Jak rozwijać swoje umiejętności po kursie? 🔹 110-120. Praktyczna realizacja projektu końcowego | ✅ Stworzysz własną aplikację AI. ✅ Zdobędziesz wiedzę o tym, jak zdobyć pracę jako AI Engineer. ✅ Nauczysz się budować portfolio i rozwijać swoje umiejętności. |
💡 Co zyskasz po ukończeniu kursu?
✅ Opanujesz LangChain, LangFlow, LangGraph, LangSmith
✅ Nauczysz się korzystać z LLMs (OpenAI, lokalne modele)
✅ Zrozumiesz Pydantic i jego rolę w zarządzaniu danymi
✅ Stworzysz własne AI z RAG, PostgreSQL, FAISS
✅ Wdrożysz model AI jako API w FastAPI w Dockerze
⏳ 🎥 Przykładowa lekcja
Lekcja 25: Jak działają Large Language Models (LLMs)?.
Lekcja 31: Wprowadzenie do LangChain i jego architektury.
📢 AI Engineering Bootcamp – Dołącz do przedsprzedaży! 🚀
Nasz intensywny AI Engineering Bootcamp to praktyczny kurs online, który przygotuje Cię do pracy z najnowocześniejszymi narzędziami AI. Jeśli chcesz nauczyć się budować aplikacje oparte na Large Language Models (LLMs), wykorzystując LangChain, LangFlow, LangGraph, LangSmith, FastAPI, Docker i inne technologie, to ten kurs jest dla Ciebie!
📅 Harmonogram sprzedaży i start kursu:
✅ Przedsprzedaż: od 7 marca do 31 kwietnia – kup kurs w promocyjnej cenie!
✅ Cena w przedsprzedaży: 990 zł PLN (zamiast 1490 zł PLN – oszczędzasz 500 zł!)
✅ Zakończenie sprzedaży: 30 czerwca – po tym terminie nie będzie już możliwości zakupu kursu.
✅ Start kursu: 1 września – otrzymasz dostęp do wszystkich modułów i materiałów edukacyjnych.
🔹 Forma kursu: Online – elastyczny dostęp do nagrań wideo, ćwiczeń i projektu końcowego.
🔹 Dla kogo? Dla programistów i entuzjastów AI, którzy chcą zdobyć praktyczne umiejętności w AI Engineering.
🔹 Co otrzymasz? Kompleksowe materiały, praktyczne ćwiczenia i mini-projekt, który możesz dodać do portfolio.
🔹 Potwierdzenie umiejętności: 🏆 Certyfikat ukończenia kursu: AI Engineering Bootcamp.
📢 To ostatni moment, by skorzystać z przedsprzedaży. ! 🚀
Do kursu zapisało się już 78 osób — dołącz teraz!
O Instruktorze
Nazywam się Krzysztof Pika. Od lat zajmuję się sztuczną inteligencją i inżynierią oprogramowania. Moja pasja do AI zaczęła się od eksplorowania modeli uczenia maszynowego, a dziś pomagam innym zdobywać wiedzę i budować praktyczne umiejętności w tej dynamicznie rozwijającej się dziedzinie.
Jestem autorem licznych projektów z zakresu AI, w tym systemów opartych na modelach LLM, analizy danych oraz automatyzacji procesów biznesowych. Współpracowałem z wieloma firmami i startupami, wdrażając inteligentne rozwiązania, które realnie wpływają na ich rozwój.
Kurs "AI Engineering Bootcamp: LangChain, LLMs & Nowoczesne Systemy AI" stworzyłem, aby:
✅ Pomóc Ci zrozumieć, jak działają współczesne modele AI
✅ Nauczyć Cię efektywnego budowania i wdrażania systemów AI
✅ Pokazać Ci, jak wykorzystać sztuczną inteligencję w realnych projektach
