Sztuczna inteligencja i uczenie maszynowe – przewodnik po algorytmach, które uczą się z danych. Tłumaczymy sieci neuronowe (CNN, RNN, Transformer), klasyczne metody (regresja, drzewa, SVM), uczenie nadzorowane/nienadzorowane/wzmacniane, inżynierię cech i pipeline’y MLOps. Pokażemy, jak budować modele w praktyce (Python, scikit-learn, PyTorch, TensorFlow), dbać o jakość danych, walidację, metryki i interpretowalność (SHAP/LIME). Poruszamy etykę i prawo: uprzedzenia danych, RODO/AI Act, prywatność i bezpieczeństwo. W praktyce – gotowe notatniki, checklisty eksperymentów, wzorce deployu (API, batch, edge), case studies (NLP, wizja, prognozowanie), a także narzędzia do monitoringu i automatyzacji. Cel: od „hello world” do odpowiedzialnych modeli, które realnie rozwiązują problemy.