diff --git a/IUM_00.Organizacyjne.ipynb b/IUM_00.Organizacyjne.ipynb
new file mode 100644
index 0000000..55107ff
--- /dev/null
+++ b/IUM_00.Organizacyjne.ipynb
@@ -0,0 +1,166 @@
+{
+ "cells": [
+ {
+ "cell_type": "markdown",
+ "metadata": {
+ "slideshow": {
+ "slide_type": "slide"
+ }
+ },
+ "source": [
+ "# AITech Inżynieria Uczenia Maszynowego\n",
+ "\n",
+ "\n",
+ "## 1. Informacje organizacyjne"
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "metadata": {
+ "slideshow": {
+ "slide_type": "slide"
+ }
+ },
+ "source": [
+ "## Przedmiot\n",
+ "- Kod przedmiotu: 06-DIUMUI0\n",
+ "- Nazwa: Inżynieria Uczenia Maszynowego\n",
+ "- WMI UAM 2021\n",
+ "- Sylabus: Sylabus-AITech-InzynieriaUczeniaMaszynowego.pdf"
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "metadata": {
+ "slideshow": {
+ "slide_type": "slide"
+ }
+ },
+ "source": [
+ "## Prowadzący\n",
+ "- imię i nazwisko:\tTomasz Ziętkiewicz\n",
+ "- stopień naukowy:\tmagister inżynier\n",
+ "- stanowisko:\tdoktorant\n",
+ "- [Zakład Sztucznej Inteligencji](https://ai.wmi.amu.edu.pl/pl/)\n",
+ "- email: tomasz.zietkiewicz@amu.edu.pl\n",
+ "- www: http://tz47965.home.amu.edu.pl/\n",
+ "- konsultacje: przez MS Teams, po wcześniejszym umówieniu mailowym lub przez chat"
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "metadata": {
+ "slideshow": {
+ "slide_type": "slide"
+ }
+ },
+ "source": [
+ "### Prowadzący\n",
+ "### Zainteresowania naukowe\n",
+ "- Przetwarzanie języka naturalnego\n",
+ "- Rozpoznawanie mowy\n",
+ "- Postprocessing wyników rozpoznawania mowy\n",
+ "- Normalizacja tekstu\n",
+ "- Korekta błędów systemów rozpoznawania mowy"
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "metadata": {
+ "slideshow": {
+ "slide_type": "slide"
+ }
+ },
+ "source": [
+ "## Program zajęć\n",
+ "1. Wprowadzenie\n",
+ "2. Dane\n",
+ "3. Ciągła Integracja - Jenkins\n",
+ "4. Biblioteki ML\n",
+ "5. Konteneryzacja - Docker\n",
+ "6. Przygotowanie eksperymentu ML\n",
+ "7. Jenkins pipeline\n",
+ "8. Kontrola eksperymentów - Sacred\n",
+ "9. Kontrola eksperymentów - MLFlow\n",
+ "10. Kontrola eksperymentów - DVC\n",
+ "11. Wizualizacja\n",
+ "12. Finalizacja projektu\n",
+ "13. Finalizacja projektu\n",
+ "14. Podsumowanie"
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "metadata": {
+ "slideshow": {
+ "slide_type": "slide"
+ }
+ },
+ "source": [
+ "## Zasady zaliczenia\n",
+ "\n",
+ "W trakcie kolejnych zajęć będą Państwo poznawać różne techniki i narzędzia wspomagające proces rozwoju modeli uczenia maszynowgo.\n",
+ "\n",
+ "W wyniku realizacji zadań z poszczególnych zajęć powstaną części składowe potoku uczenia maszynowego (Machine Learning Pipeline), które na końcu zostaną zintegrowane w jedną całość.\n",
+ "\n",
+ "\n",
+ " - Za wykonywanie na bieżąco zadań z poszczególnych zajęć będą przyznawane punkty.\n",
+ " - Zadania powinny zostać wykonane przez Państwa do końca dnia poprzedzającego następne zajęcia (o ile w zadaniu nie podano inaczej) \n",
+ " - Zobowiązuję się ocenić zadania najpóźniej do początku następnych zajęć \n",
+ " (czyli np. zadanie z zajęć 2. musi zostać oddane najpóźniej dzień przed zajęciami 3. a wyniki oceny tego zadania zostaną opublikowane najpóźniej w trakcie zajęć 4.)\n",
+ " \n",
+ " - W przypadku braku wykonania zadań w terminie nie zostaną przyznane za nie punkty.\n",
+ " - W przypadku braku wystawienia przez prowadzącego punktów w terminie, uznaje się przyznanie za zadanie maksymalnej ilości punktów\n",
+ " - Za wykonanie zadań cząstkowych w terminie można zdobyć 50% całkowitej liczby punktów\n",
+ " - Za wykonanie finalnego projektu można zdobyć 50% całkowitej liczby punktów\n",
+ " - Punkty przysługujące za każde zadanie cząstkowe będą podane przy opisie zadania\n",
+ " \n",
+ " Przelicznik punktów na oceny:\n",
+ " \n",
+ "| Ocena | % całkowitej liczby punktów |\n",
+ "| --------------------------- | ----------- |\n",
+ "| bardzo dobry (bdb; 5,0) | >= 90% |\n",
+ "| dobry plus (+db; 4,5) | >= 80% |\n",
+ "| dobry (db; 4,0)\t | >= 70% |\n",
+ "| dostateczny plus (+dst; 3,5)| >= 60% |\n",
+ "| dostateczny (dst; 3,0) | >= 50% |\n",
+ "| niedostateczny (ndst; 2,0) | < 50% |"
+ ]
+ }
+ ],
+ "metadata": {
+ "celltoolbar": "Slideshow",
+ "kernelspec": {
+ "display_name": "Python 3",
+ "language": "python",
+ "name": "python3"
+ },
+ "language_info": {
+ "codemirror_mode": {
+ "name": "ipython",
+ "version": 3
+ },
+ "file_extension": ".py",
+ "mimetype": "text/x-python",
+ "name": "python",
+ "nbconvert_exporter": "python",
+ "pygments_lexer": "ipython3",
+ "version": "3.8.5"
+ },
+ "toc": {
+ "base_numbering": 1,
+ "nav_menu": {},
+ "number_sections": false,
+ "sideBar": false,
+ "skip_h1_title": false,
+ "title_cell": "Table of Contents",
+ "title_sidebar": "Contents",
+ "toc_cell": false,
+ "toc_position": {},
+ "toc_section_display": false,
+ "toc_window_display": false
+ }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 4
+}
diff --git a/IUM_01.Wprowadzenie.ipynb b/IUM_01.Wprowadzenie.ipynb
new file mode 100644
index 0000000..991e4e9
--- /dev/null
+++ b/IUM_01.Wprowadzenie.ipynb
@@ -0,0 +1,246 @@
+{
+ "cells": [
+ {
+ "cell_type": "markdown",
+ "metadata": {
+ "slideshow": {
+ "slide_type": "slide"
+ }
+ },
+ "source": [
+ "### AITech Inżynieria Uczenia Maszynowego\n",
+ "# 1. Wprowadzenie"
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "metadata": {
+ "slideshow": {
+ "slide_type": "slide"
+ }
+ },
+ "source": [
+ "## 1.1 Specyfika rozwoju systemów wykorzystujących uczenie maszynowe\n",
+ "Od czego zależy wynik działania systemu?\n",
+ "\n",
+ "System \"klasyczny\":\n",
+ " - Kod (algorytm)\n",
+ " - Środowisko\n",
+ " - Dane wejściowe\n",
+ " \n",
+ "System wykorzystujący uczenie maszynowe:\n",
+ " - Kod (algorytm) inferencji\n",
+ " - Środowisko\n",
+ " - Dane wejściowe\n",
+ " - Model:\n",
+ " - Dane trenujące\n",
+ " - Kod trenujący\n",
+ " - Architektura\n",
+ " - Hiperparametry\n",
+ "\n"
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "metadata": {},
+ "source": [
+ "\n",
+ "\n",
+ "Źródło: https://www.reddit.com/r/learnmachinelearning/comments/hkcf4o/traditional_programming_vs_machine_learning/"
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "metadata": {},
+ "source": [
+ "## 1.1 Specyfika rozwoju systemów wykorzystujących uczenie maszynowe\n",
+ "* Trenowanie modeli uczenie maszynowego to \"nauka eksperymentalna\".\n",
+ "* Nie da się wydedukować optymalnej architektury parametrów i hiperparametrów.\n",
+ "* Możemy stawiać hipotezy oparte na intuicji, doświadczeniu (własnym lub cudzym) i analogiach i weryfikować je empirycznie - metodą prób i błędów.\n",
+ "* .. albo wykorzystując [AutoML](https://en.wikipedia.org/wiki/Automated_machine_learning)"
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "metadata": {
+ "slideshow": {
+ "slide_type": "slide"
+ }
+ },
+ "source": [
+ "## 1.1 Specyfika rozwoju systemów wykorzystujących uczenie maszynowe\n",
+ "- Więcej zmiennych wpływających na wynik -> trudniejsza kontrola na działaniem\n",
+ "- Powolna pętla sprzężenia zwrotnego (slow feedback) - trenowanie może zajmować godziny, dni, miesiące...\n",
+ "- ... i kosztować $.\n",
+ "- Nie stać nas na błędy wykrywane po dniach obliczeń!\n",
+ "- Potrzeba stosowania praktyk i narzędzi, które ułatwią kontrolę nad tymi zmiennymi."
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "metadata": {
+ "slideshow": {
+ "slide_type": "slide"
+ }
+ },
+ "source": [
+ "## 1.2 Narzędzia\n",
+ "* Kontrola wersji\n",
+ "* Systemy ciągłej integracji\n",
+ "* Konteneryzacja i virtualne środowiska\n",
+ "* Kontrola eksperymentów\n",
+ "\n",
+ " \n"
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "metadata": {
+ "slideshow": {
+ "slide_type": "subslide"
+ }
+ },
+ "source": [
+ "## 1.2.1 Systemy ciągłej integracji\n",
+ " - Jenkins
\n",
+ " - Bamboo
\n",
+ " - Circle CI
\n",
+ " - Team City
\n",
+ " - Gitlab CI
"
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "metadata": {
+ "slideshow": {
+ "slide_type": "subslide"
+ }
+ },
+ "source": [
+ "## 1.2.1 Systemy ciągłej integracji\n",
+ "Systemy takie umożliwiają automatyczne:\n",
+ " - budowanie\n",
+ " - testowanie\n",
+ " - wydawanie \n",
+ " \n",
+ "oprogramowania w stabilnym środowisku.\n",
+ "\n",
+ "Działają jako aplikacja webowa z graficznym interfejsem, umożliwiająca łatwe zarządzanie i monitorowanie wykonywanych w niej zadań."
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "metadata": {
+ "slideshow": {
+ "slide_type": "subslide"
+ }
+ },
+ "source": [
+ "## 1.2.2 Konteneryzacja i virtualne środowiska\n",
+ " - Docker \n",
+ " - Conda \n",
+ " - Virtual Env "
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "metadata": {
+ "slideshow": {
+ "slide_type": "subslide"
+ }
+ },
+ "source": [
+ "## 1.2.2 Konteneryzacja i virtualne środowiska\n",
+ "Konteneryzacja (np. za pomocą Dockera) i wirtualne środowiska (takie jak Conda i ViertualEnv) zapewniają:\n",
+ "- stabilne\n",
+ "- odizolowane\n",
+ "- łatwo konfigurowalne\n",
+ "środowisko do rozwoju aplikacji."
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "metadata": {
+ "slideshow": {
+ "slide_type": "subslide"
+ }
+ },
+ "source": [
+ "## 1.2.3 Narzędzia do kontroli eksperymentów\n",
+ " - Sacred \n",
+ " - DVC \n",
+ " - MLFlow \n"
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "metadata": {
+ "slideshow": {
+ "slide_type": "subslide"
+ }
+ },
+ "source": [
+ "## 1.2.3 Narzędzia do kontroli eksperymentów\n",
+ "Ułatwiają prowadzenie eksperymentów uczenia maszynowego w sposób:\n",
+ " - powtarzalny\n",
+ " - kontrolowany\n",
+ " - zorganizowany"
+ ]
+ },
+ {
+ "cell_type": "markdown",
+ "metadata": {
+ "slideshow": {
+ "slide_type": "slide"
+ }
+ },
+ "source": [
+ "## Dodatkowe materiały\n",
+ " - https://www.coursera.org/learn/machine-learning-projects\n",
+ " - \n"
+ ]
+ },
+ {
+ "cell_type": "code",
+ "execution_count": null,
+ "metadata": {},
+ "outputs": [],
+ "source": []
+ }
+ ],
+ "metadata": {
+ "celltoolbar": "Slideshow",
+ "kernelspec": {
+ "display_name": "Python 3",
+ "language": "python",
+ "name": "python3"
+ },
+ "language_info": {
+ "codemirror_mode": {
+ "name": "ipython",
+ "version": 3
+ },
+ "file_extension": ".py",
+ "mimetype": "text/x-python",
+ "name": "python",
+ "nbconvert_exporter": "python",
+ "pygments_lexer": "ipython3",
+ "version": "3.8.5"
+ },
+ "toc": {
+ "base_numbering": 1,
+ "nav_menu": {},
+ "number_sections": false,
+ "sideBar": false,
+ "skip_h1_title": false,
+ "title_cell": "Table of Contents",
+ "title_sidebar": "Contents",
+ "toc_cell": false,
+ "toc_position": {},
+ "toc_section_display": false,
+ "toc_window_display": false
+ }
+ },
+ "nbformat": 4,
+ "nbformat_minor": 4
+}
diff --git a/Sylabus-AITech-InzynieriaUczeniaMaszynowego.pdf b/Sylabus-AITech-InzynieriaUczeniaMaszynowego.pdf
new file mode 100644
index 0000000..1922d43
Binary files /dev/null and b/Sylabus-AITech-InzynieriaUczeniaMaszynowego.pdf differ