Wprowadzenie do języka Python:

• składnia, zmienne, funkcje, warunki, pętle;


• obsługa bibliotek Pythona do pracy z danymi (pandas, numpy, matplotlib, scikit-learn);


• umiejętność czytania i pisania prostych skryptów automatyzujących analizę danych.

Praca z danymi:

• wczytywanie, przetwarzanie i wizualizacja danych (np. z plików CSV);


• rozumienie struktury zbiorów danych: cechy (features), etykiety (labels);


• przygotowanie danych do analizy i modelowania.

Podstawy sztucznej inteligencji:

• zrozumienie idei modelu uczenia maszynowego: co to znaczy „trenować model”;


• budowanie i testowanie prostych klasyfikatorów (np. drzewa decyzyjne, kNN);


• rozróżnianie typów problemów: klasyfikacja vs regresja.

Ewaluacja modeli:

• metryki oceny skuteczności działania modeli (accuracy, precision, recall);


• podział zbioru danych na część treningową, testową i walidacyjną;


• interpretacja macierzy pomyłek i krzywej ROC;


• przeciwdziałanie zjawisku nadmiernego dopasowania (overfitting).

Kompetencje projektowe i prezentacyjne:

• przeprowadzenie samodzielnego mini-projektu (od analizy po modelowanie i interpretację);


• samodzielna dokumentacja wyników i przedstawienie wyników w postaci notatnika Jupyter lub dokumentu raportowego;


• umiejętność przekładania zadań praktycznych na logikę algorytmiczną.

Etyka i społeczne konsekwencje AI:

• stronniczość algorytmów (algorithmic bias);


• AI w społeczeństwie – wpływ na rynek pracy, edukację, relacje międzyludzkie;


• etyczne wyzwania w zastosowaniach AI.

AI a dezinformacja i zagrożenia informacyjne:

• dezinformacja i deepfake – przykłady i zagrożenia;


• wpływ AI na jakość informacji i zaufanie publiczne;


• rola edukacji i krytycznego myślenia w erze AI.

Narzędzia AI w edukacji:

• przegląd wybranych narzędzi AI wspomagających edukację;


• jak AI może wspierać proces uczenia się i nauczania?