data science, studia podyplomowe big data, business intelligence studia podyplomowe

Data Science i Big Data w zarządzaniu

Poziom
Studia podyplomowe
Czas trwania
1 rok
Język
PL
Uzyskany tytuł
Świadectwo ukończenia studiów podyplomowych
Tryb
Tryb niestacjonarny
Broszura
Kontakt
O kierunku

Jesteśmy online ready. W razie konieczności zajęcia pierwszego semestru będą przeprowadzone w formule online, przy zachowaniu najwyższej jakości ich prowadzenia.

Celem studiów jest dostarczenie kadrze managerskiej holistycznego spojrzenia na całość zagadnień związanych z Big Data i Data Science oraz praktycznych kompetencji w wykorzystaniu ich w kierowaniu działem lub przedsiębiorstwem, a w szczególności wiedzy w zakresie specyfiki dużych danych, integracji i gromadzenia danych z różnych źródeł oraz architektury rozwiązań klasy Big Data.

 

Atuty kierunku
1
Konkretne umiejętności

W ramach każdego przedmiotu rozwijane jest spektrum umiejętności: od tych związanych z rozumieniem analizy danych przez kompetencje projektowe po umiejętności myślenia w kategoriach strategicznych. Podsumowaniem wykorzystania tych umiejętności jest praca dyplomowa.

2
Big Data i Data Science

Program przygotowany przez zespół praktyków wywodzących się z biznesu, odzwierciedla aktualne trendy w obszarze Big Data i Data Science. 

3
Unikatowość

Jedyne studia dla managerów łączące zrozumienie tematyki związanej z rozwiązaniami DS i BD oraz praktyczne know how jak przeprowadzać transformację w zarządzaniu opartym o nowoczesne rozwiązania technologiczne.

4
Praktyka przed teorią

Prezentujemy rozwiązania biznesowe, przekazujemy dobre praktyki oraz przykłady ich zastosowań w organizacjach, program studiów i dobór tematyki zbudowany na podstawie doświadczeń wyniesionych z biznesu.

5
Zajęcia z praktykami

Wszyscy wykładowcy poza doświadczeniem akademickim na co dzień związani są z projektami komercyjnymi, to połączenie daje dostęp do eksperckiej wiedzy i praktycznego know-how.

Partnerz merytoryczny
Strefa wiedzy
Adresaci studiów

Studia szczególnie polecamy: 

Średniej i wyższej kadrze managerskiej z co najmniej 3 letnim łącznym stażem zawodowym,  pełniącej swoje funkcje m.in. (ale nie wyłącznie) w obszarach:

  • marketingu,
  • finansów,
  • IT,
  • zarządzania łańcuchem produkcji,
  • HR,
  • zarządzanie strategiczne. 

Odwiedź stronę studiów pod adresem: www.zarzadzanie.ai i dowiedz się więcej szczegółów.

Przeczytaj artykuł o Data Science i Big Data w Zarządzaniu

Illustration
Kierownik studiów
Marcin Choiński
Marcin Choiński

Pasjonat danych, zarządzania nimi, rozwijania kultury orgnizacyjnej w oparciu o dane oraz budowania na nich wartości biznesowej. Posiada kilkunastoletnie doświadczenie w tworzeniu i wdrażaniu rozwiązań w obszarze Data Management i Data Governance.  

Absolwent Wydziału Elektroniki i Technik Informacyjnych Politechniki Warszawskiej. Od początku kariery zajmował się Hurtowniami Danych i BI, a następnie również MDM, Big Data, Data Science oraz Analityką Biznesową. Pracował jako konsultant m. in. dla globalnych i regionalnych korporacji z branży farmaceutycznej, telekomunikacyjnej i handlowej. Obecnie w TVN S.A. odpowiedzialny za budowę i wdrażanie strategii danych oraz rozwój ekosystemu analitycznego Big Data i Data Science. Uprzednio również założyciel i redaktor naczelny portalu BI.PL, gościnnie wykładowca na kilku warszawskich uczelniach, trener, główny analityk danych w zespole futbolu amerykańskiego Warsaw Eagles. Hobbystycznie buduje modele analityczne w obszarze sportu albo wędkuje. 

Korzyści dla słuchaczy - co zyskujesz

DZIĘKI UDZIAŁOWI W STUDIACH PODYPLOMOWYCH

Uczestnicy zdobędą wiedzę na temat analizy danych w oparciu o zaawansowane metody Data Science, a także umiejętności ich wykorzystywania w podejmowaniu skuteczniejszych decyzji biznesowych. Poznają także konkretne narzędzia BI i wizualizacji danych. Uczestnicy dowiedzą się jak zaplanować i skutecznie zrealizować transformację przedsiębiorstwa w przedsiębiorstwo oparte na danych (data-driven business), a także jak zorganizować i zarządzać niezbędną infrastrukturą. DZIĘKI TEMU ZDOBĘDZIESZ KOMPETENCJE, ABY:

  • skutecznie prowadzić projekty o charakterze BigData i Data Science 

  • skutecznie przeprowadzić transformację przedsiębiorstwa/działu w stronę przedsiębiorstwa opartego o analizę danych 

  • organizować i zarządzać infrastrukturą Big Data i Data Science 

  • wykorzystać wyniki analizy danych w zarządzaniu przedsiębiorstwem 

W TRAKCIE STUDIÓW POZNASZ: 

  • w jaki sposób Big Data i Data Science zmieniają współczesne organizacje 

  • metody statystyczne i ich zastosowania w analizie danych 

  • zastosowanie metod Data Science w analizie danych, proces analizy danych, jego etapy 

  • różnice w podejściach opartych na statystyce i na metodach uczenia maszynowego 

  • sposoby konstrukcji zespołów Data Science / Big Data, ich relacje do innych zespołów i rolę managera w zespole Data Science 

  • kryteria sukcesu projektu Data Science / Big Data 

  • strategie zarządzania danymi oraz zagrożenia związane z ich bezpieczeństwem 

  • wybrane dostępne na rynku narzędzia do wizualizacji danych i narzędzia Business Intelligence i ich zastosowanie w przedsiębiorstwie 

  • rozwiązania i platformy technologiczne związane z Big Data 

PO STUDIACH UCZESTNIK BĘDZIE POTRAFIĆ: 

  • konstruować i mierzyć modele 

  • rozpoznawać czy na podstawie zestawu danych można uzyskać odpowiedź na zadane pytanie 

  • posługiwać się narzędziami do analizy danych 

  • posługiwać się wybranymi narzędziami do wizualizacji danych i narzędziami Business Intelligence 

  • zaprezentować wyniki analizy danych 

  • szacować koszty związane z realizacja projektu Big Data i utrzymaniu infrastruktury Big Data 

  • ustanowić politykę bezpieczeństwa danych 

  • ustanowić politykę zarządzania danymi 

Program

WPROWADZENIE DO BIG DATA I DATA SCIENCE

  • Wprowadzenia do tematyki wdrażania i realizacji projektów Big Data / Data Science w organizacji.  
  • Wprowadzenie do tematyki analizy danych (data science) i uczenia maszynowego (machine learning) w przedsiębiorstwie. 
  • Wprowadzenie do technologii analizy dużych danych (big data) w przedsiębiorstwie.

STATYSTYKA

  • Metody opisu struktury zbiorowości jednowymiarowych.  
  • Metody loasowego i nielosowego doboru próby. 
  • Zmienna losowa.  
  • Teoria estymacji.  
  • Testowanie hipotez statystycznych.  
  • Metody analizy współzależności zjawisk.  
  • Funkcja regresji liniowej. 
  • Funkcja regresji logistycznej.

PODEJMOWANIE DECYZJI W OPARCIU O DANE: METODY

  • Sztuczna inteligencja (AI) vs Machine learning. 
  • Przygotowanie danych - analiza zmiennych, analiza braków danych, feature engineering 
  • Overfitting vs underfitting oraz Bias-Variance Trade-off - o co chodzi i jak temu zaradzić? 
  • Przekleństwo wielowymiarowości (Curse of dimensionality) - skąd się to bierze, dlaczego jest to problem i jak go zminimalizować? 
  • Modele nadzorowane - wprowadzenie do różnych klas modeli, porównanie ich użyteczności do różnych zagadnień, wady, zalety, przykłady użycia 
  • Tuning i interpretowalność modeli 
  • Ewaluacja modeli - wyjaśnienie czym i po co są zbiory treningowy, walidacyjny, testowy, do czego służy walidacja krzyżowa (cross-validation) oraz jak oceniać modele 
  • Modele nienadzorowane - wprowadzenie do różnych klas modeli, porównanie ich użyteczności do różnych zagadnień, wady, zalety, przykłady użycia 
  • Metody redukcji wymiarów i reprezentacji danych 
  • Text mining - klasyczne podejście, z czym to się je, co to jest NLP, dlaczego język naturalny jest taki trudny dla “maszyny” 
  • Wprowadzenie do Deep Learning - co w nim takiego wyjątkowego, przykłady użycia, nowe problemy, nowa struktura projektu, omówienie krótko różnych architektur typu CNN, RNN i ich odmian 
  • Deep learning w NLP - co się zmieniło względem podejścia klasycznego 
  • Wizja komputerowa (Computer Vision) z wykorzystaniem Deep learningu - case study, jak zbudować prostą wyszukiwarkę/rekomender podobnych obrazów 

PODEJMOWANIE DECYZJI W OPARCIU O DANE: NARZĘDZIA WIZUALIZACJI I BUSINESS INTELLIGENCE

  • Podstawy hurtowni danych 
  • Wizualizacja danych 
  • Charakterystyka narzędzi BI 
  • Cechy wyróżniające wybrane narzędzia BI 

WARSZTAT POWER BI:

  • Wprowadzenie do usług i oprogramowania desktopowego 
  • [Warsztat Power BI] Pobieranie danych z plików, lokalnych baz danych oraz usług chmurowych 
  • [Warsztat Power BI] Transformacje danych 
  • [Warsztat Power BI] Model raportowy 
  • [Warsztat Power BI] Tworzenie raportów i kokpitów 
  • [Warsztat Power BI] Rozwiązania hybrydowe (dane w serwerowni, raport w chmurze) 
  • [Warsztat Power BI] Skalowanie, integracja z usługami Azure, narzędzia dodatkowe 

BigData - STRATEGIA, WDROŻENIE, TRANSFORMACJA PRZEDSIĘBIORSTWA

  • Podstawowe pojęcia i definicje w obszarze. 
  • Rola danych, jako strategicznego zasobu organizacji. 
  • Rola i wyzwania dla CDO. 
  • Metodyka strategicznego podejścia do zarządzania danymi. 
  • Definiowanie i wdrażanie Strategii Danych. 
  • Wielowymiarowa perspektywa Data Management / Data Governance w organizacji. 
  • Modele oceny zaawansowania analitycznego organizacji. 
  • Modele oceny dojrzałości Data Management / Data Governance 
  • Wprowadzenie do DAMA oraz innych frameworków Data Management / Data Governance 
  • Architektury danych oraz Modelowanie danych. 
  • Metodyka zarządzania i realizacji projektów i programów w obszarze danych. 
  • Charakterystyka rozwiązań Hurtowni Danych/BI, Data Lake, Big Data i Data Science 
  • Struktura organizacyjna oraz kluczowe role w obszarze Data Management. 
  • Zarządzanie zmianą kulturową w obszarze danych w organizacji. 
  • Rozwiązania dostępne w chmurze 
  • Zastosowania oprogramowania Open Source 

INFRASTRUKTURA BIG DATA I ZARZĄDZANIE DANYMI

  • Budowa systemów do przetwarzania dużych zbiorów danych 
  • Planowanie infrastruktury 
  • Architektura lambda i kappa 
  • Skalowalność systemów 
  • Przechowywanie danych 
  • SQL i NoSQL w świecie Big Data 
  • Modelowanie danych 
  • Sposoby przetwarzania danych 
  • Zastosowania czasu rzeczywistego 
  • Przetwarzanie strumieniowe danych 
  • Integracja systemów 
  • Przetwarzanie i składowanie danych w chmurze publicznej 
  • Strategia Multicloud 
  • Integracja środowiska on premise z środowiskiem chmury publicznej 
  • Rozwiązania chmurowe niezależne od dostawcy infrastruktury 

PYTHON W ANALIZIE DANYCH

  • Środowisko pracy i wprowadzenie do programowania. 
  • Podstawy programowania w języku Python (w tym: typy danych, instrukcję sterujące funkcje). 
  • Przetwarzanie danych tabelarycznych w bibliotece pandas (selekcja danych względem zadanych kryteriów, transformacje danych, agregowanie) 
  • Wczytywanie i zapis danych w formatach typowych dla programu Excel. 
  • Podstawowe instrukcje do wizualizacji danych 
  • Połączenie z bazą danych SQL z poziomu Python 
  • Wykorzystanie uczenia maszynowego w języku Python (uczenie i ewaluacja modelu predykcyjnego) 
  • Zapisywanie, wczytywanie i zastosowanie zbudowanych modeli. 

ZAGADNIENIA BEZPIECZEŃSTW DANYCH

  • Podstawowe usługi ochrony informacji 
  • Wybrane techniki ochrony informacji 
  • Podstawy prawne ochrony informacji 
  • Modele bezpieczeństwa systemów 
  • Polityka bezpieczeństwa 
  • Metody oceny bezpieczeństwa systemów 
  • Ochrona informacji w bazach danych 
  • Przetwarzanie danych osobowych i wrażliwych 
  • Blockchain jako rozproszona baza danych 

STUDIUM PRZYPADKU  SEMINARIUM PROJEKTOWE 

Całkowita liczba godzin dydaktycznych: 218 *    

(razem z zaliczeniami). 

* jedna godzina dydaktyczna= 45 minut 

GroupOfPeopleIllustration
Organizacja zajęć

Studia trwają dwa semestry   Zajęcia odbywają się raz lub dwa razy w miesiącu, w sesjach dwudniowych: 

  • soboty- 8.45 - 15:45  

  • niedziele- 8.45 - 15.45 

Terminy zjazdów na I semestr:
  • 06-07.03.2021
  • 20-21.03.2021
  • 10-11.04.2021
  • 08-09.05.2021
  • 22-23.05.2021
  • 07-06.06.2021
  • 25-26.09.2021
Społeczność
Wiodący wykładowcy
Hubert Kobierzewski

Pracuje w firmie Codec jako BI Practice Lead, w której pomaga klientom zebrać ich dane oraz przekonwertować je w wartościowe informacje. Od lat związany z tematyką szeroko rozumianych rozwiązań Business Intelligence – od integracji, jakości danych, hurtowni danych, po zaawansowane systemy analityczne i raportowe. Realizował projekty dla wielu film w Polsce, Irlandii, UK, czy Szwajcarii. Poza pracą Hubert prowadzi dwie grupy społecznościowe: warszawski oddział Data Community Poland oraz Warsaw Power BI User Group. 

Jakub Nowacki
dr Jakub Nowacki

Absolwent Politechniki Gdańskiej oraz Uniwersytetu Bristolskiego, gdzie obronił doktorat z matematyki stosowanej. Na co dzień łączy umiejętności analityczne i programistyczne jako Data Scientist. Doświadczenie zdobywał oraz prowadził zespoły w działach badań i rozwoju w wielu firmach w branży wysokich technologii, mediów, farmaceutycznych oraz petrochemicznych. Najbardziej interesuje się rozproszonym przetwarzaniem i analizą dużych zbiorów danych wspomagające decyzje w biznesie i w badaniach, oraz automatyzujące procesy w przedsiębiorstwach. Pracował zarówno z technologiami dojrzałymi, jak i nie boi się wyzwań w pracy z najnowszymi rozwiązaniami. Zwolennik pragmatycznego użycia technologii w biznesie. Prelegent na wielu konferencjach poświęconych tematyce Big Data. Trener szkoleń technologicznych z zakresu Big Data współpracujący z Sages. Lead Data Scientist w firmie Sigdelta. Od 2016 roku dzieli się zdobytą wiedzą jako wykładowca na pierwszych w Polsce technicznych studiach Big Data realizowanych przez firmę Sages oraz Politechnikę Warszawską. 

Dominik Batorski
dr Dominik Batorski

Socjolog i data scientist łączący pracę naukową w Interdyscyplinarnym Centrum Modelowania Matematycznego i Komputerowego (ICM) na Uniwersytecie Warszawskim z działalnością doradczą i biznesową. Ma kilkunastoletnie doświadczenie w analizie dużych danych, przede wszystkim zbieranych przez serwisy internetowe i firmy telekomunikacyjne, m.in. zakładał i do 2010 rozwijał dział business intelligence w Gadu-Gadu. Jest współtwórcą Sotrender’a firmy tworzącej narzędzia analityczne do monitoringu i optymalizacji marketingu w mediach społecznościowych w oparciu o dane. Od 2014 roku organizuje comiesięczne spotkania Warsaw Data Science Meetup, które służą wymianie wiedzy i integracji społeczności około 3tys. osób zajmujących się pracą z danymi.  
Naukowo zajmuje się m.in. badaniem zmian społecznych i gospodarczych związanych z upowszechnieniem technologii informacyjno-komunikacyjnych, a także sposobów korzystania z technologii i zachowań użytkowników. Jest współautorem badań Diagnoza społeczna. Specjalizuje się również w badaniach sieci społecznych, oraz procesów zachodzących w sieciach, takich jak dyfuzja innowacji czy wpływ społeczny.  
Posiada wieloletnie doświadczenie w doradzaniu jednostkom administracji rządowej i samorządowej, kierował przygotowywaniem kilkunastu opracowań analitycznych i ekspertyz oraz uczestniczył w tworzeniu Strategii i Programów Operacyjnych. Obecnie jest członkiem Rady ds. Cyfryzacji przy Ministrze Cyfryzacji. 

Piotr Nazimek
dr Piotr Nazimek

Absolwent Wydziału Elektroniki i Technik Informacyjnych Politechniki Warszawskiej, gdzie w 2012 roku obronił doktorat z obszaru niezawodności systemów komputerowych. Zakres jego zainteresowań obejmuje szeroko pojęte bezpieczeństwo oraz inżynierię oprogramowania. Zajmuje się projektowaniem, implementacją oraz weryfikacją zabezpieczeń, głównie w projektach systemów transportowych i kontroli dostępu. Prowadzi szkolenia z zakresu praktycznego stosowania kryptografii w systemach komputerowych. Od 2016 roku jest wykładowcą na pierwszych w Polsce technicznych studiach Big Data realizowanych przez firmę Sages oraz Politechnikę Warszawską. 

Liliana Pięta
Liliana Pięta

Absolwentka kierunku informatyka i ekonometria na Uniwersytecie Ekonomicznym w Krakowie z kilkuletnim doświadczeniem w analizie danych i obszarze data science. Od początku pracy zawodowej związana z branżą mediową i e-commerce, początkowo pracowała jak analityk danych w Onecie, potem w firmie konsultingowej McKinsey jako analityk statystyczny pomagając niemieckim klientom w transformacjach w obszarze marketingu i sprzedaży. Aktualnie jako Data Scientist w Allegro - największej platformie ecommerce w Polsce - pracuje głównie w obszarze testów A/B, przetwarzania obrazów i tekstu. Prowadzi również zajęcia na studiach podyplomowych Data Science na Wydziale Elektroniki PW. W wolnym czasie wspina się po górach i zwiedza świat. 

Norbert Ryciak
Norbert Ryciak

Absolwent matematyki ze specjalizacją w obszarze statystyki i analizy danych na Politechnice Warszawskiej, gdzie aktualnie pracuje nad doktoratem. W ramach doktoratu prowadzi badania nad metodami głębokiego uczenia w zastosowaniu do analizy tekstu. Współpracował z Instytutem Podstaw Informatyki Polskiej Akademii Nauk w rozwijaniu narzędzi do analizy wydźwięku opinii, a obecnie zajmuje się tworzeniem sieci neuronowych do analizy składniowej tekstu. Lubi dzielić się wiedzą prowadząc zajęcia z tematów z obszaru data science na Politechnice, a także warsztaty i szkolenia komercyjne z uczenia maszynowego i deep learningu. 

Rafał Wojdan
Rafał Wojdan

Absolwent kierunku Metody Ilościowe w Ekonomii i Systemy Informacyjne w Szkole Głównej Handlowej oraz International Management na Tilburg University w Holandii. Edukowanie innych rozpoczął już na 3 roku studiów zostając współautorem podręcznika “Analiza i prognozowanie
szeregów czasowych z programem SAS”. W 2014 został laureatem konkursu SAS Student Ambassador i od tego czasu stara się szerzyć wiedzę na temat Data Science, o czym można przeczytać między innymi w rozmowie z Nim w magazynie Manager, wyd. listopad 2014.
Swoją przygodę z danymi rozpoczął w firmie Groupon jako Business Intelligence Analyst dla regionu EMEA. Następnie pracował w SAS Institute i odpowiadał za realizację projektów analitycznych i BI, głównie dotyczących zagadnień Customer Intelligence oraz Text Analytics. Jako Data
Scientist w Allegro zajmował się zagadnieniami dotyczącymi systemów rekomendacji, wektoryzacji języka oraz machine learningu. Obecnie związany z firmą Sotrender, w której zarządza zespołem data science. Prowadzi również zajęcia na studiach podyplomowych Data Science na Wydziale Elektroniki Politechniki Warszawskiej.

 

W. Gawronski
Wojciech Gawroński

Współzałożyciel firmy Pattern Match, gdzie pracuje jako architekt systemów IT opartych o rozwiązania chmurowe. Specjalista od chmury Amazon Web Services (8 certyfikatów, pracuje z nią od 2005 roku), uhonorowany tytułem AWS Community Builder. Na co dzień pracuje z klientami z Polski, Europy Zachodniej (Niemcy, Wielka Brytania, Francja i Holandia) i Stanów Zjednoczonych przy wdrożeniach rozwiązań opartych o rozwiązania chmury publicznej, prywatnej i hybrydowej. Programista i architekt systemów rozproszonych z 12-letnim doświadczeniem (Erlang, Java, Python). Absolwent Politechniki Śląskiej oraz studiów podyplomowych Wyższej Szkoły Bankowej w Poznaniu na kierunku Lean Management.

 

Zasady naboru

O przyjęciu decyduje kolejność zgłoszeń. 

V edycja - rekrutacja trwa do 28 lutego 2021 roku, planowany termin rozpoczęcia studiów to marzec 2021roku.

 

Warunki ukończenia studiów

Warunkiem ukończenia jest zaliczenie wszystkich przedmiotów oraz napisanie i obrona pracy końcowej indywidualnej.

W ramach projektu student przedstawia case organizacji, która ma do zrealizowania strategiczny cel biznesowy. Realizacja celu wymaga wykorzystania kompetencji z obszaru danych i analityki, których w danym momencie organizacja nie posiada. Celem może być eliminacja istniejących problemów (optymalizacja działania operacyjnego), albo innowacja.

Student, wykorzystując zdobytą w ramach studiów wiedzę, ma za zadanie przedstawić kompleksową i wielowymiarową analizę sytuacji organizacji oraz zaplanować jej transformację. Student powinien wykazać się zarówno podejściem holistycznym do analizy problemu, zdefiniowaniem odpowiedniej Strategii Danych wspierającej postawiony cel strategiczny, jak i szczegółowym zaplanowaniem jej wdrożenia, transformacji organizacji oraz zaprojektowaniem konkretnych rozwiązań do implementacji (modele predykcyjne, analizy, raporty, wizualizacje, itp.).

Wymagane dokumenty
  • odpis dyplomu ukończenia studiów wyższych (tytuł zawodowy: licencjat, inżynier, lekarz, magister)** 

  • zdjęcie elektroniczne w formacie JPG 

  • oryginał dokumentu tożsamości do wglądu 

  • kopia dowodu wpłaty wpisowego 

  • CV 

 

**W przypadku kandydatów posiadających dyplom zagraniczny, i chcących kontynuować naukę w Polsce na poziomie podyplomowym, istnieją odrębne przepisy dotyczące uznawania dyplomów ukończenia studiów wyższych, wydanych w innych krajach.

Sprawdź szczegóły, aby dowiedzieć się, czy Twój zagraniczny dyplom wymaga dodatkowego procesu uznawania (nostryfikacji), aby umożliwić Ci rozpoczęcie studiów podyplomowych / MBA w Polsce: kliknij TU

Etapy rekrutacji
1
Uzyskanie podstawowych informacji

Prosimy o zapoznanie się z opisem interesującego Państwa kierunku i sprawdzenie zasad naboru.

 

2
Rejestracja

Pierwszą czynnością w procesie rekrutacji jest wypełnienie formularza zgłoszeniowego, który dostępny jest na stronie internetowej uczelni.

Rekrutacja online

3
Opłata rekrutacyjna

Opłatę rekrutacyjną należy uiścić na konto uczelni lub skorzystać z funkcji płatności.pl podczas wypełniania formularza zgłoszeniowego.

Pastuszka Agnieszka
Masz pytania? Zapraszamy do kontaktu
Agnieszka Szczepańczyk
Opłaty
Tabela opłat
Wpisowe 200 zł
Cena podstawowa (płatność w dwóch ratach po 6 400 zł każda) 12 800 zł
Cena ze zniżką dla absolwentów ALK (płatność w dwóch ratach po 5 760 zł każda ) 11 520 zł
Cena ze zniżką za jednorazową płatność (Oferowane zniżki (zniżka dla absolwentów, zniżka za jednorazową płatność i ewentualne dodatkowe zniżki) nie kumulują się.) 12 500 zł

Konto bankowe, na które można dokonywać wpłaty wpisowego:  Akademia Leona Koźmińskiego   03-301 Warszawa, ul. Jagiellońska 57/59   BANK PEKAO SA w Warszawie 20 1240 1024 1111 0010 1646 0637  

Opłaty za studia wnoszone są na indywidualny numer konta, podawany po zakończeniu rekrutacji. 

Osoby zainteresowane otrzymaniem faktury proszone są o kontakt z Panią Agnieszką Fabiańską e-mail agaf@kozminski.edu.pl

Uprzejmie informujemy, że w przypadku zbyt małej liczby kandydatów grupa może nie zostać uruchomiona.