


Sztuczna inteligencja to specjalność na kierunku Informatyka (studia II stopnia magisterskie) w Szkole Głównej Gospodarstwa Wiejskiego w Warszawie.
Uczenie maszynowe obejmuje rodzaje uczenia – nadzorowane, nienadzorowane, półnadzorowane i ze wzmocnieniem – inżynierię cech, regresję z regularyzacją L1 i L2, klasyfikację metodami k-NN i Naive Bayes, drzewa decyzyjne, zespoły modeli, SVM i klasteryzację. Poznajesz redukcję wymiarowości w PCA, t-SNE i UMAP, metryki jakości, przeuczenie, walidację krzyżową i strojenie hiperparametrów oraz etykę i interpretowalność modeli (XAI). Przetwarzanie i eksploracja danych obejmuje proces odkrywania wiedzy (KDD), rodzaje danych i ich reprezentację, czyszczenie i transformację, analizę eksploracyjną, miary podobieństwa i odległości oraz wizualizację.
Uczenie głębokie obejmuje matematykę sieci neuronowych, propagację w przód i wstecz oraz funkcje aktywacji i straty. Uczysz się optymalizatorów SGD, Adam i RMSProp i regularyzacji, sieci konwolucyjnych, rekurencyjnych (LSTM, GRU) i modeli typu Transformer z mechanizmem uwagi. Omawiasz też augmentację danych, walidację modeli głębokich i ich ograniczenia, a na laboratoriach przygotowujesz projekt.
Implementacja i wdrażanie systemów SI obejmuje cykl życia systemu SI, architektury wdrożeniowe, serializację i optymalizację modeli, pipeline'y danych i modeli, udostępnianie modelu przez REST API, konteneryzację w Dockerze, skalowanie w Kubernetesie, CI/CD oraz monitorowanie dryfu danych i modeli. Przedmiot porusza też bezpieczeństwo, etykę i odpowiedzialność w systemach SI, a laboratoria obejmują wdrożenie w środowisku chmurowym i realizację projektu wdrożeniowego.
Przedmiot o środowiskach obliczeniowych i językach programowania SI obejmuje systemy operacyjne i narzędzia developerskie, a za podstawowe narzędzie przyjmuje Pythona. Omawiasz paradygmaty programowania w SI – imperatywny, obiektowy i funkcyjny – oraz biblioteki numeryczne i do analizy danych. Na laboratoriach konfigurujesz środowisko Pythona, pracujesz w notebookach Jupyter, programujesz numerycznie z NumPy i analizujesz dane w Pandas. Dochodzą wprowadzenie do PyTorcha, obliczenia równoległe na GPU, przegląd środowisk chmurowych oraz reprodukowalność eksperymentów i wstęp do MLOps. Laboratoria obejmują też mini-projekt zespołowy.
Na podstawie sylabusa SGGW.
Aktualizacja: 14.11.2026

