Data-Science-For-Beginners/translations/pl

Data Science dla początkujących - program nauczania

Azure Cloud Advocates w Microsoft z przyjemnością oferują 10-tygodniowy, 20-lekcyjny program nauczania poświęcony Data Science. Każda lekcja zawiera quiz przed lekcją i po lekcji, pisemne instrukcje do wykonania lekcji, rozwiązanie oraz zadanie. Nasza pedagogika oparta na projektach pozwala uczyć się podczas tworzenia — sprawdzony sposób, aby nowe umiejętności „przytrzymały się”.

Serdeczne podziękowania dla naszych autorów: Jasmine Greenaway, Dmitry Soshnikov, Nitya Narasimhan, Jalen McGee, Jen Looper, Maud Levy, Tiffany Souterre, Christopher Harrison.

🙏 Szczególne podziękowania 🙏 dla naszych autorów, recenzentów i współautorów treści z programu Microsoft Student Ambassador, w szczególności Aaryan Arora, Aditya Garg, Alondra Sanchez, Ankita Singh, Anupam Mishra, Arpita Das, ChhailBihari Dubey, Dibri Nsofor, Dishita Bhasin, Majd Safi, Max Blum, Miguel Correa, Mohamma Iftekher (Iftu) Ebne Jalal, Nawrin Tabassum, Raymond Wangsa Putra, Rohit Yadav, Samridhi Sharma, Sanya Sinha, Sheena Narula, Tauqeer Ahmad, Yogendrasingh Pawar , Vidushi Gupta, Jasleen Sondhi

Data Science dla początkujących - Sketchnote autorstwa @nitya

🌐 Obsługa wielu języków

Obsługiwane przez GitHub Action (automatyczne i zawsze aktualne)

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Croatian | Czech | Danish | Dutch | Estonian | Finnish | French | German | Greek | Hebrew | Hindi | Hungarian | Indonesian | Italian | Japanese | Kannada | Korean | Lithuanian | Malay | Malayalam | Marathi | Nepali | Nigerian Pidgin | Norwegian | Persian (Farsi) | Polish | Portuguese (Brazil) | Portuguese (Portugal) | Punjabi (Gurmukhi) | Romanian | Russian | Serbian (Cyrillic) | Slovak | Slovenian | Spanish | Swahili | Swedish | Tagalog (Filipino) | Tamil | Telugu | Thai | Turkish | Ukrainian | Urdu | Vietnamese

Jeśli chcesz, aby dodane zostały kolejne języki tłumaczeń, lista obsługiwanych języków znajduje się tutaj

Dołącz do naszej społeczności

Prowadzimy serię na Discordzie „Learn with AI”, dowiedz się więcej i dołącz do nas na Learn with AI Series w dniach 18 - 30 września 2025. Otrzymasz wskazówki i triki dotyczące korzystania z GitHub Copilot w Data Science.

Jesteś studentem?

Rozpocznij od następujących zasobów:

• Student Hub page Na tej stronie znajdziesz zasoby dla początkujących, pakiety dla studentów i nawet sposoby na zdobycie darmowego vouchera na certyfikat. To strona, którą warto dodać do zakładek i od czasu do czasu sprawdzać, ponieważ co najmniej raz w miesiącu zmieniamy zawartość.
• Microsoft Learn Student Ambassadors Dołącz do globalnej społeczności ambasadorów studenckich — to może być Twoja droga do Microsoft.

Pierwsze kroki

📚 Dokumentacja

• Installation Guide - Instrukcja krok po kroku konfiguracji dla początkujących
• Usage Guide - Przykłady i typowe przepływy pracy
• Troubleshooting - Rozwiązania najczęstszych problemów
• Contributing Guide - Jak wnosić wkład w ten projekt
• For Teachers - Wskazówki dydaktyczne i materiały dla nauczycieli

👨‍🎓 Dla studentów

Całkowici początkujący: Nowy w data science? Zacznij od naszych beginner-friendly examples! Te proste, dobrze skomentowane przykłady pomogą Ci zrozumieć podstawy przed zagłębieniem się w cały program nauczania. Studenci: Aby korzystać z tego programu samodzielnie, zrób fork całego repozytorium i samodzielnie wykonaj ćwiczenia, zaczynając od quizu przed wykładem. Następnie przeczytaj wykład i wykonaj pozostałe aktywności. Staraj się tworzyć projekty poprzez zrozumienie lekcji zamiast kopiowania kodu rozwiązania; kod ten jest jednak dostępny w folderach /solutions w każdej lekcji ukierunkowanej na projekt. Innym pomysłem jest utworzenie grupy do nauki z przyjaciółmi i wspólne przerobienie materiału. Do dalszej nauki polecamy Microsoft Learn.

Szybki start:

1. Sprawdź Installation Guide, aby skonfigurować swoje środowisko
2. Przejrzyj Usage Guide, aby dowiedzieć się, jak pracować z programem nauczania
3. Zacznij od Lekcji 1 i przerabiaj je kolejno
4. Dołącz do naszej społeczności Discord po wsparcie

👩‍🏫 Dla nauczycieli

Nauczyciele: uwzględniliśmy kilka sugestii dotyczących korzystania z tego programu. Chętnie otrzymamy Wasze opinie w naszym forum dyskusyjnym!

Poznaj zespół

Gif autorstwa Mohit Jaisal

🎥 Kliknij obraz powyżej, aby obejrzeć wideo o projekcie i ludziach, którzy go stworzyli!

Pedagogika

Wybraliśmy dwa pedagogiczne założenia podczas tworzenia tego programu nauczania: zapewnienie, że opiera się on na projektach oraz że zawiera częste quizy. Pod koniec tej serii uczniowie poznają podstawowe zasady nauki o danych, w tym pojęcia etyczne, przygotowywanie danych, różne sposoby pracy z danymi, wizualizację danych, analizę danych, przykłady zastosowań data science w rzeczywistych sytuacjach i więcej.

Dodatkowo, quiz o niskiej stawce przed zajęciami ustawia intencję ucznia wobec nauki tematu, podczas gdy drugi quiz po zajęciach zapewnia lepsze utrwalenie. Ten program został zaprojektowany tak, aby był elastyczny i zabawny i można go realizować w całości lub częściowo. Projekty zaczynają się od małych i stają się coraz bardziej złożone do końca 10-tygodniowego cyklu.

Znajdź nasze Kodeks postępowania, Wkład, Tłumaczenia wytyczne. Czekamy na Twoje konstruktywne uwagi!

Każda lekcja zawiera:

• Opcjonalna sketchnota
• Opcjonalne wideo uzupełniające
• Quiz rozgrzewkowy przed lekcją
• Lekcja w formie pisemnej
• W przypadku lekcji opartych na projektach, przewodniki krok po kroku, jak zbudować projekt
• Sprawdzenia wiedzy
• Wyzwanie
• Materiał uzupełniający
• Zadanie
• Quiz po lekcji

Uwaga dotycząca quizów: Wszystkie quizy znajdują się w folderze Quiz-App, łącznie 40 quizów po trzy pytania każdy. Są one powiązane z lekcjami, ale aplikację quizową można uruchomić lokalnie lub wdrożyć do Azure; postępuj zgodnie z instrukcją w folderze quiz-app. Są stopniowo lokalizowane.

🎓 Przykłady przyjazne dla początkujących

Nowy w nauce o danych? Stworzyliśmy specjalny katalog przykładów z prostym, dobrze skomentowanym kodem, który pomoże Ci zacząć:

• 🌟 Hello World - Twój pierwszy program w nauce o danych
• 📂 Loading Data - Naucz się wczytywać i eksplorować zbiory danych
• 📊 Simple Analysis - Oblicz statystyki i znajdź wzorce
• 📈 Basic Visualization - Twórz wykresy i diagramy
• 🔬 Real-World Project - Pełny przebieg pracy od początku do końca

Każdy przykład zawiera szczegółowe komentarze wyjaśniające każdy krok, dzięki czemu jest idealny dla zupełnych początkujących!

👉 Zacznij od przykładów 👈

Lekcje

Nauka o danych dla początkujących: Plan - Sketchnota autorstwa @nitya

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	Definiowanie data science	Wprowadzenie	Poznaj podstawowe koncepcje stojące za data science oraz to, w jaki sposób jest powiązana ze sztuczną inteligencją, uczeniem maszynowym i big data.	lekcja wideo	Dmitry
02	Etyka data science	Wprowadzenie	Koncepcje, wyzwania i ramy etyki danych.	lekcja	Nitya
03	Definiowanie danych	Wprowadzenie	Jak klasyfikowane są dane i jakie są ich typowe źródła.	lekcja	Jasmine
04	Wprowadzenie do statystyki i rachunku prawdopodobieństwa	Wprowadzenie	Techniki matematyczne z zakresu rachunku prawdopodobieństwa i statystyki służące do rozumienia danych.	lekcja wideo	Dmitry
05	Praca z danymi relacyjnymi	Working With Data	Wprowadzenie do danych relacyjnych oraz podstaw eksploracji i analizy danych relacyjnych za pomocą języka Structured Query Language, znanego również jako SQL (wymawiane “see-quell”).	lekcja	Christopher
06	Praca z danymi NoSQL	Working With Data	Wprowadzenie do danych nierelacyjnych, ich różnych typów oraz podstaw eksploracji i analizy baz dokumentów.	lekcja	Jasmine
07	Praca z Pythonem	Working With Data	Podstawy używania Pythona do eksploracji danych z wykorzystaniem bibliotek takich jak Pandas. Zalecane jest podstawowe rozumienie programowania w Pythonie.	lekcja wideo	Dmitry
08	Przygotowanie danych	Working With Data	Tematy związane z technikami czyszczenia i transformacji danych, służące radzeniu sobie z brakującymi, niedokładnymi lub niekompletnymi danymi.	lekcja	Jasmine
09	Wizualizacja ilości	Data Visualization	Naucz się używać Matplotlib do wizualizacji danych o ptakach 🦆	lekcja	Jen
10	Wizualizacja rozkładów danych	Data Visualization	Wizualizacja obserwacji i tendencji w obrębie przedziału.	lekcja	Jen
11	Wizualizacja proporcji	Data Visualization	Wizualizacja dyskretnych i grupowanych procentów.	lekcja	Jen
12	Wizualizacja zależności	Data Visualization	Wizualizacja powiązań i korelacji pomiędzy zbiorami danych i ich zmiennymi.	lekcja	Jen
13	Sensowne wizualizacje	Data Visualization	Techniki i wskazówki, jak sprawić, by Twoje wizualizacje były wartościowe dla efektywnego rozwiązywania problemów i uzyskiwania wglądów.	lekcja	Jen
14	Wprowadzenie do cyklu życia data science	Lifecycle	Wprowadzenie do cyklu życia data science i jego pierwszego kroku — pozyskiwania i ekstrakcji danych.	lekcja	Jasmine
15	Analiza	Lifecycle	Ta faza cyklu życia data science koncentruje się na technikach analizowania danych.	lekcja	Jasmine
16	Komunikacja	Lifecycle	Ta faza cyklu życia data science koncentruje się na przedstawianiu wniosków z danych w sposób ułatwiający zrozumienie decydentom.	lekcja	Jalen
17	Data science w chmurze	Cloud Data	Seria tych lekcji wprowadza data science w chmurze i omawia jego korzyści.	lekcja	Tiffany and Maud
18	Data science w chmurze	Cloud Data	Trenowanie modeli przy użyciu narzędzi Low Code.	lekcja	Tiffany and Maud
19	Data science w chmurze	Cloud Data	Wdrażanie modeli za pomocą Azure Machine Learning Studio.	lekcja	Tiffany and Maud
20	Data science w praktyce	In the Wild	Projekty oparte na data science w rzeczywistym świecie.	lekcja	Nitya

GitHub Codespaces

Postępuj zgodnie z tymi krokami, aby otworzyć ten przykład w Codespace:

1. Kliknij menu rozwijane Code i wybierz opcję Open with Codespaces.
2. Wybierz + New codespace na dole panelu. For more info, check out the GitHub documentation.

VSCode Remote - Containers

Postępuj zgodnie z tymi krokami, aby otworzyć to repo w kontenerze, używając lokalnej maszyny i VS Code z rozszerzeniem VS Code Remote - Containers:

1. Jeśli to pierwszy raz, gdy używasz kontenera rozwojowego, upewnij się, że Twój system spełnia wymagania wstępne (np. że Docker jest zainstalowany) w dokumentacji dotyczącej rozpoczęcia pracy.

To use this repository, you can either open the repository in an isolated Docker volume:

Note: Under the hood, this will use the Remote-Containers: Clone Repository in Container Volume... command to clone the source code in a Docker volume instead of the local filesystem. Wolumeny are the preferred mechanism for persisting container data.

Or open a locally cloned or downloaded version of the repository:

• Sklonuj to repozytorium na lokalny system plików.
• Naciśnij F1 i wybierz polecenie Remote-Containers: Open Folder in Container....
• Wybierz sklonowaną kopię tego folderu, poczekaj na uruchomienie kontenera i wypróbuj działanie.

Dostęp offline

Możesz uruchomić tę dokumentację offline, używając Docsify. Sforkuj to repo, zainstaluj Docsify na swoim komputerze, then in the root folder of this repo, type docsify serve. Strona będzie serwowana na porcie 3000 na twoim localhost: localhost:3000.

Uwaga: Notesy (notebooks) nie będą renderowane przez Docsify, więc gdy będziesz potrzebować uruchomić notebook, zrób to osobno w VS Code z działającym jądrem Pythona.

Inne programy nauczania

Nasz zespół tworzy także inne programy nauczania! Zobacz:

LangChain

---

Azure / Edge / MCP / Agents

---

Seria generatywnego AI

---

Materiały podstawowe

---

Seria Copilot

Uzyskiwanie pomocy

Masz problemy? Sprawdź nasz Przewodnik rozwiązywania problemów w poszukiwaniu rozwiązań typowych problemów.

Jeśli utkniesz lub masz pytania dotyczące tworzenia aplikacji AI. Dołącz do innych uczących się i doświadczonych programistów w dyskusjach na temat MCP. To wspierająca społeczność, w której pytania są mile widziane, a wiedza jest dzielona swobodnie.

Jeśli masz uwagi dotyczące produktu lub napotkasz błędy podczas tworzenia, odwiedź:

---

Zastrzeżenie: Ten dokument został przetłumaczony przy użyciu usługi tłumaczeń opartych na sztucznej inteligencji Co‑op Translator (https://github.com/Azure/co-op-translator). Chociaż dążymy do dokładności, prosimy pamiętać, że tłumaczenia automatyczne mogą zawierać błędy lub nieścisłości. Oryginalny dokument w języku źródłowym powinien być uważany za autorytatywne źródło. W przypadku informacji krytycznych zaleca się skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia.