ML Atlas

Przebranżowienie na ML: uczciwe liczby

W skrócie

Wejście jest wąskie: w Polsce mniej więcej co dwudziesta oferta IT jest dla juniora (osoby początkującej, na pierwszej pracy w zawodzie) (Antyweb, 16.04.2026 · źródło wtórne · sprawdzono ). Żadne źródło, które sprawdziliśmy, nie potwierdza drogi od zera do ML engineera (osoby, która buduje i wdraża modele uczenia maszynowego) w kilka miesięcy. Najkrótsza droga to zwykle Twoja dziedzina + AI albo najpierw analityk danych, a nie skok prosto na ML engineera.

Liczby na tej stronie sprawdziliśmy : każdy link otwarty, każda liczba porównana ze źródłem. Nie obiecujemy pracy i nie podajemy „procentu zatrudnionych”, bo nikt go wiarygodnie nie zmierzył.

Rynek: ile jest miejsc na start

Cztery drogi i ich realny czas

Czasy to szacunki firm doradczych i mentoringowych, nie wyniki badań. Traktuj je jako dolną granicę, nie obietnicę.

  1. Specjalista w swojej dziedzinie (HR, marketing, finanse, psychologia) → ta sama praca + AI. Najkrótsza droga, bo AI wchodzi do ogłoszeń nietechnicznych: w USA w 2025 roku udział ogłoszeń wspominających AI wzrósł w marketingu z 8,4% do 14,9%, a w HR z 4,4% do 8,8% (Indeed Hiring Lab, 22.01.2026, sprawdzono ).
  2. Analityk danych → pierwsza praca przy ML: 9–18 miesięcy przy 10–15 godzinach nauki w tygodniu, od pierwszej lekcji do podpisanej oferty (Pigment · szacunek firmy · sprawdzono ).
  3. Programista → pierwsza praca przy ML: 6–12 miesięcy przy tym samym tempie (Pigment · szacunek firmy · sprawdzono ).
  4. Osoba nietechniczna → pierwsza praca przy ML: 2–3 lata, zwykle najpierw przez pracę przy danych albo programowaniu (Pigment · szacunek firmy · sprawdzono ). Inny szacunek: 12–24 miesiące przy 15–20 godzinach nauki w tygodniu (MentorCruise · szacunek firmy · sprawdzono ). Dyplom bywa progiem: w analizie 43 480 ogłoszeń na AI engineera w USA (styczeń–wrzesień 2026) jakiegoś dyplomu wymagało 72% (Axial Search · dane firmy, bez audytu · sprawdzono ).

Szybsza wersja, „kilka miesięcy”, ma sens jako pierwszy kamień milowy, np. portfolio pod pierwszą aplikację na juniora analityka danych, a nie jako czas do pracy ML engineera.

Czego chcą pracodawcy

Najlepsze dane są z USA. W analizie 903 ogłoszeń na AI engineera z Glassdoor (365 Data Science · dane firmy, bez audytu · sprawdzono ):

Prosty wniosek: umiejętność pisania poleceń dla czatu to za mało. Liczy się programowanie, praca z danymi i uczciwa ocena modelu, czyli to, czego uczy kurs ML.

Co sprzedają płatne kursy, a co jest za darmo

Wiedza jest za darmo. Kurs fast.ai jest bezpłatny (fast.ai, sprawdzono ), kurs o modelach językowych Hugging Face też (Hugging Face, sprawdzono ), wykłady Andreja Karpathy’ego o sieciach neuronowych są na YouTube (karpathy.ai, sprawdzono ). Pojęcia od zera, po polsku, z eksperymentami w przeglądarce: nasz kurs ML.

Płaci się za strukturę. Jedna z analiz ujmuje to tak: płatny program ma sens, jeśli harmonogram, informacja zwrotna i wsparcie w szukaniu pracy są dla Ciebie warte swojej ceny (Let’s Data Science, sprawdzono ). Wiedza w środku często jest ta sama.

Przykładowe ceny w Polsce:

W USA: Springboard, zależnie od ścieżki i promocji, od ok. 7 000 do 16 200 $ (MentorCruise o Springboard · źródło wtórne · sprawdzono ); TripleTen 4 935–12 600 $ (TripleTen, FAQ · dane firmy, bez audytu · sprawdzono ).

Dopłaty: Krajowy Fundusz Szkoleniowy w 2026 roku pokrywa do 70% kosztów szkolenia w firmach od 10 osób i do 90% w mikrofirmach. To pieniądze dla pracodawców i ich pracowników (Infor · źródło wtórne · sprawdzono ).

Na stronach kursów, które sprawdziliśmy, nie znaleźliśmy niezależnie sprawdzonych wyników zatrudnienia.

Jak czytać „X% zatrudnionych”

Zanim uwierzysz w procent, zadaj cztery pytania:

  1. Kogo liczą? Springboard reklamuje, że pracę w ciągu roku znalazło 94% „uprawnionych” absolwentów. Uprawnieni to tylko ci, którzy spełnili wszystkie warunki gwarancji zatrudnienia (m.in. skończyli w terminie i co tydzień dokumentowali szukanie pracy), a dane podaje sama firma (MentorCruise o Springboard · źródło wtórne · sprawdzono ).
  2. W jakim czasie i jaką pracę? TripleTen pisze, że prawie dwie trzecie absolwentów znalazło pracę w ciągu 10 miesięcy, bez opisu metody i bez definicji „pracy” (TripleTen, FAQ · dane firmy, bez audytu · sprawdzono ).
  3. Kto to sprawdził? Wspólny standard raportowania wyników CIRR stosują już tylko trzy szkoły. W jednej z nich, Codesmith, pracę w zawodzie w ciągu 180 dni miało 43,6% absolwentów z 2023 roku (techinterview.org · źródło wtórne · sprawdzono ).
  4. Czy ktoś już złapał rozbieżność? Amerykański urząd ochrony konsumentów finansowych (CFPB) w decyzji wobec BloomTech opisał, że szkoła w latach 2017–2019 reklamowała 86% zatrudnionych w ciągu pół roku, a jej wewnętrzne raporty dla inwestorów pokazywały bliżej 50%; dla absolwentów z 2020 roku ok. 30% (CFPB, decyzja z 17.04.2024, sprawdzono ).

Dodatkowa pułapka: kto płaci, ten częściej kończy. W kursach MIT i Harvardu na edX w latach 2017–2018 ukończyło 3,13% wszystkich uczestników, ale 46% tych, którzy zapłacili za ścieżkę z certyfikatem (Inside Higher Ed, 15.01.2019 · źródło wtórne · sprawdzono ). To nie znaczy, że zapłata sprawia, że się kończy: płacą osoby, które i tak są bardziej zdecydowane. To ten sam mechanizm co w haśle błąd przeżywalności.

Zasada praktyczna: każdy „X% zatrudnionych” bez jasnej definicji traktuj jak górną granicę, a nie jak prawdę.

Czego nie wiemy

Jedna rzecz ma dowód z eksperymentu: w badaniu ponad 800 000 osób, które ukończyły kursy na Courserze, zachęta do udostępnienia certyfikatu na LinkedInie zwiększyła udostępnianie o 17 punktów procentowych, a te osoby miały o 6% większą szansę na nową pracę w ciągu roku (Athey i Palikot, arXiv · preprint, bez recenzji · sprawdzono ). To jedno badanie, głównie na osobach z krajów rozwijających się.

Czego nie obiecujemy

Co z tego wynika dla Ciebie

Pierwsze cztery tygodnie: od czego zacząć

To plan nauki, nie droga do pracy w cztery tygodnie. Wszystko w nim jest darmowe, a każdy link otworzyliśmy w dniu przeglądu tej strony. Wybierz jedną z dwóch najkrótszych dróg z sekcji „Cztery drogi” wyżej.

Rytm: dwie krótkie lekcje kursu w tygodniu i trochę praktyki obok. Czas lekcji to minuty podane w kursie, a czas kursów Kaggle to szacunek samego Kaggle.

Jeśli dokładasz AI do swojego zawodu

  1. Tydzień pierwszy. Ścieżka „Jak działa AI, której używasz”: 6 krótkich lekcji, razem ok. 52 min, bez programowania. Do tego hasło halucynacje: skąd się biorą pewne siebie, a błędne odpowiedzi.
  2. Tydzień drugi. Kurs ML: lekcje 0.1 „Cały proces w 15 minut, od pytania do oceny” i 1.1 „Czym jest uczenie maszynowe?”, razem ok. 25 min.
  3. Tydzień trzeci. Kurs ML: lekcje 1.2 „Dane, cechy, etykiety i podział zbioru” i 1.3 „Punkt odniesienia: z czym porównujesz model?”, razem ok. 22 min.
  4. Tydzień czwarty. Weź jedno zadanie z własnej pracy, przy którym używasz czatu. Zbierz kilka przykładów ze znaną dobrą odpowiedzią i policz, ile razy czat trafia. To ta sama uczciwa ocena na nowych przykładach, której uczy pierwsza lekcja kursu.

Jeśli celujesz najpierw w analityka danych

  1. Tydzień pierwszy. Kurs ML: lekcje 0.1 „Cały proces w 15 minut, od pytania do oceny” i 1.1 „Czym jest uczenie maszynowe?”, razem ok. 25 min. Obok pierwsza połowa kursu Kaggle Learn „Python” (pierwsze kroki, funkcje, warunki, listy). Kurs jest bezpłatny, do ćwiczeń potrzebne jest konto Kaggle, a cały kurs Kaggle szacuje na 5 godzin (Kaggle Learn: Python, sprawdzono ).
  2. Tydzień drugi. Kurs ML: lekcje 1.2 „Dane, cechy, etykiety i podział zbioru” i 1.3 „Punkt odniesienia: z czym porównujesz model?”, razem ok. 22 min. Obok druga połowa kursu „Python”: pętle, napisy i słowniki, biblioteki.
  3. Tydzień trzeci. Kurs ML: lekcje 1.4 „Najbliżsi sąsiedzi: najprostszy model” i 1.5 „Regresja liniowa: dopasowanie prostej”, razem ok. 22 min. Obok Kaggle Learn „Pandas”: wczytać tabelę, wybrać kolumny i wiersze, pogrupować. Kaggle szacuje kurs na 4 godziny (Kaggle Learn: Pandas, sprawdzono ).
  4. Tydzień czwarty. Kurs ML: lekcje 1.6 „Spadek gradientu: nauka małymi krokami” i 2.1 „Klasyfikacja: rysowanie granicy”, razem ok. 20 min. Pierwszy własny projekt według wpisu Pierwszy projekt ML na otwartych danych krok po kroku: pingwiny, darmowy notatnik w przeglądarce, kilkanaście linijek Pythona. Jeśli zostanie czas: Kaggle Learn „Intro to SQL”, czyli zapytania do bazy danych. Kaggle szacuje go na 3 godziny w 6 lekcjach i zakłada podstawy Pythona (Kaggle Learn: Intro to SQL, sprawdzono ).

Statystykę na start ćwiczysz w kursie: ocena modelu, punkt odniesienia, przeuczenie. Osobnego darmowego kursu statystyki tu nie polecamy, bo żadnego jeszcze nie sprawdziliśmy.

Po czterech tygodniach idź dalej po kolei w kursie ML, a więcej darmowych materiałów i uczciwe czasy nauki znajdziesz na Starcie.

Zacznij lekcję 0.1 Darmowe materiały Ile to trwa