[](https://github.com/microsoft/ML-For-Beginners/blob/master/LICENSE) [](https://GitHub.com/microsoft/ML-For-Beginners/graphs/contributors/) [](https://GitHub.com/microsoft/ML-For-Beginners/issues/) [](https://GitHub.com/microsoft/ML-For-Beginners/pulls/) [](http://makeapullrequest.com) [](https://GitHub.com/microsoft/ML-For-Beginners/watchers/) [](https://GitHub.com/microsoft/ML-For-Beginners/network/) [](https://GitHub.com/microsoft/ML-For-Beginners/stargazers/) ### 🌐 Wsparcie wielojęzyczne #### Wspierane przez GitHub Action (Automatyczne i zawsze aktualne) [Arabski](../ar/README.md) | [Bengalski](../bn/README.md) | [Bułgarski](../bg/README.md) | [Birmański (Myanmar)](../my/README.md) | [Chiński (uproszczony)](../zh/README.md) | [Chiński (tradycyjny, Hongkong)](../hk/README.md) | [Chiński (tradycyjny, Makau)](../mo/README.md) | [Chiński (tradycyjny, Tajwan)](../tw/README.md) | [Chorwacki](../hr/README.md) | [Czeski](../cs/README.md) | [Duński](../da/README.md) | [Niderlandzki](../nl/README.md) | [Estoński](../et/README.md) | [Fiński](../fi/README.md) | [Francuski](../fr/README.md) | [Niemiecki](../de/README.md) | [Grecki](../el/README.md) | [Hebrajski](../he/README.md) | [Hindi](../hi/README.md) | [Węgierski](../hu/README.md) | [Indonezyjski](../id/README.md) | [Włoski](../it/README.md) | [Japoński](../ja/README.md) | [Kannada](../kn/README.md) | [Koreański](../ko/README.md) | [Litewski](../lt/README.md) | [Malajski](../ms/README.md) | [Malajalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepalski](../ne/README.md) | [Nigeryjski pidgin](../pcm/README.md) | [Norweski](../no/README.md) | [Perski (Farsi)](../fa/README.md) | [Polski](./README.md) | [Portugalski (Brazylia)](../br/README.md) | [Portugalski (Portugalia)](../pt/README.md) | [Pendżabski (Gurmukhi)](../pa/README.md) | [Rumuński](../ro/README.md) | [Rosyjski](../ru/README.md) | [Serbski (cyrylica)](../sr/README.md) | [Słowacki](../sk/README.md) | [Słoweński](../sl/README.md) | [Hiszpański](../es/README.md) | [Suahili](../sw/README.md) | [Szwedzki](../sv/README.md) | [Tagalog (Filipiński)](../tl/README.md) | [Tamilski](../ta/README.md) | [Telugu](../te/README.md) | [Tajski](../th/README.md) | [Turecki](../tr/README.md) | [Ukraiński](../uk/README.md) | [Urdu](../ur/README.md) | [Wietnamski](../vi/README.md) #### Dołącz do naszej społeczności [](https://discord.gg/nTYy5BXMWG) Prowadzimy serię „Learn with AI” na Discordzie, dowiedz się więcej i dołącz do nas na [Learn with AI Series](https://aka.ms/learnwithai/discord) w dniach 18 - 30 września 2025. Otrzymasz wskazówki i triki dotyczące korzystania z GitHub Copilot dla Data Science.  # Machine Learning dla początkujących - Program nauczania > 🌍 Podróżuj po świecie, poznając uczenie maszynowe przez pryzmat kultur świata 🌍 Cloud Advocates w Microsoft z przyjemnością oferują 12-tygodniowy, 26-lekcyjny program nauczania poświęcony **Uczeniu maszynowemu**. W tym programie nauczysz się o tym, co czasem nazywa się **klasycznym uczeniem maszynowym**, korzystając głównie z biblioteki Scikit-learn i unikając uczenia głębokiego, które jest omawiane w naszym [programie AI dla początkujących](https://aka.ms/ai4beginners). Połącz te lekcje z naszym ['Data Science dla początkujących'](https://aka.ms/ds4beginners)! Podróżuj z nami po świecie, stosując klasyczne techniki do danych z różnych regionów świata. Każda lekcja zawiera quizy przed i po lekcji, pisemne instrukcje do wykonania lekcji, rozwiązanie, zadanie i więcej. Nasza pedagogika oparta na projektach pozwala uczyć się podczas tworzenia, co jest sprawdzonym sposobem na trwałe przyswajanie nowych umiejętności. **✍️ Serdeczne podziękowania dla naszych autorów** Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu i Amy Boyd **🎨 Podziękowania również dla naszych ilustratorów** Tomomi Imura, Dasani Madipalli i Jen Looper **🙏 Szczególne podziękowania 🙏 dla naszych autorów, recenzentów i współtwórców treści Microsoft Student Ambassador**, w szczególności Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila i Snigdha Agarwal **🤩 Dodatkowa wdzięczność dla Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi i Vidushi Gupta za nasze lekcje w R!** # Rozpoczęcie Wykonaj następujące kroki: 1. **Zrób fork repozytorium**: Kliknij przycisk „Fork” w prawym górnym rogu tej strony. 2. **Sklonuj repozytorium**: `git clone https://github.com/microsoft/ML-For-Beginners.git` > [znajdź wszystkie dodatkowe zasoby do tego kursu w naszej kolekcji Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) > 🔧 **Potrzebujesz pomocy?** Sprawdź nasz [Przewodnik rozwiązywania problemów](TROUBLESHOOTING.md) z rozwiązaniami najczęstszych problemów z instalacją, konfiguracją i uruchamianiem lekcji. **[Studenci](https://aka.ms/student-page)**, aby korzystać z tego programu, zrób fork całego repozytorium na swoje konto GitHub i wykonuj ćwiczenia samodzielnie lub w grupie: - Zacznij od quizu przed wykładem. - Przeczytaj wykład i wykonaj zadania, zatrzymując się i zastanawiając przy każdym sprawdzeniu wiedzy. - Staraj się tworzyć projekty, rozumiejąc lekcje, zamiast uruchamiać kod rozwiązania; jednak kod ten jest dostępny w folderach `/solution` w każdej lekcji projektowej. - Zrób quiz po wykładzie. - Wykonaj wyzwanie. - Wykonaj zadanie. - Po ukończeniu grupy lekcji odwiedź [Tablicę dyskusyjną](https://github.com/microsoft/ML-For-Beginners/discussions) i „ucz się na głos”, wypełniając odpowiednią rubrykę PAT. 'PAT' to narzędzie oceny postępów, które wypełniasz, aby pogłębić naukę. Możesz także reagować na inne PAT, abyśmy mogli uczyć się razem. > Do dalszej nauki polecamy śledzenie tych modułów i ścieżek nauki [Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott). **Nauczyciele**, zamieściliśmy [kilka sugestii](for-teachers.md) dotyczących korzystania z tego programu. --- ## Przewodniki wideo Niektóre lekcje są dostępne w formie krótkich filmów. Znajdziesz je w lekcjach lub na [playliście ML for Beginners na kanale Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) klikając obraz poniżej. [](https://aka.ms/ml-beginners-videos) --- ## Poznaj zespół [](https://youtu.be/Tj1XWrDSYJU) **Gif autorstwa** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) > 🎥 Kliknij powyższy obraz, aby zobaczyć film o projekcie i osobach, które go stworzyły! --- ## Pedagogika Wybraliśmy dwie zasady pedagogiczne podczas tworzenia tego programu: zapewnienie, że jest on praktyczny i oparty na **projektach** oraz że zawiera **częste quizy**. Ponadto program ma wspólny **motyw przewodni**, który nadaje mu spójność. Zapewnienie, że treść jest powiązana z projektami, sprawia, że proces jest bardziej angażujący dla uczniów, a zapamiętywanie koncepcji zostaje wzmocnione. Dodatkowo quiz o niskiej stawce przed zajęciami nastawia ucznia na naukę tematu, a drugi quiz po zajęciach zapewnia dalsze utrwalenie. Program został zaprojektowany tak, aby był elastyczny i przyjemny, można go realizować w całości lub częściowo. Projekty zaczynają się od prostych i stają się coraz bardziej złożone pod koniec 12-tygodniowego cyklu. Program zawiera również postscriptum o zastosowaniach ML w rzeczywistym świecie, które można wykorzystać jako dodatkowe punkty lub jako podstawę do dyskusji. > Znajdź nasze wytyczne dotyczące [Kodeksu postępowania](CODE_OF_CONDUCT.md), [Współtworzenia](CONTRIBUTING.md), [Tłumaczeń](TRANSLATIONS.md) i [Rozwiązywania problemów](TROUBLESHOOTING.md). Czekamy na Twoją konstruktywną opinię! ## Każda lekcja zawiera - opcjonalną notatkę graficzną - opcjonalne wideo uzupełniające - przewodnik wideo (tylko niektóre lekcje) - [quiz rozgrzewkowy przed wykładem](https://ff-quizzes.netlify.app/en/ml/) - pisemną lekcję - w lekcjach projektowych, przewodniki krok po kroku jak zbudować projekt - sprawdzenia wiedzy - wyzwanie - uzupełniającą lekturę - zadanie - [quiz po wykładzie](https://ff-quizzes.netlify.app/en/ml/) > **Uwaga o językach**: Lekcje są głównie napisane w Pythonie, ale wiele jest również dostępnych w R. Aby ukończyć lekcję w R, przejdź do folderu `/solution` i poszukaj lekcji w R. Zawierają one rozszerzenie .rmd, które oznacza plik **R Markdown**, definiowany jako osadzenie `fragmentów kodu` (R lub innych języków) oraz `nagłówka YAML` (który kieruje formatowaniem wyjść, np. PDF) w `dokumencie Markdown`. Służy to jako wzorcowy framework autorski dla data science, ponieważ pozwala łączyć kod, jego wynik i przemyślenia, zapisując je w Markdown. Ponadto dokumenty R Markdown można renderować do formatów wyjściowych takich jak PDF, HTML czy Word. > **Uwaga o quizach**: Wszystkie quizy znajdują się w [folderze Quiz App](../../quiz-app), łącznie 52 quizy po trzy pytania każdy. Są one powiązane z lekcjami, ale aplikację quizową można uruchomić lokalnie; postępuj zgodnie z instrukcjami w folderze `quiz-app`, aby uruchomić lokalnie lub wdrożyć na Azure. | Numer lekcji | Temat | Grupa lekcji | Cele nauczania | Powiązana lekcja | Autor | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | | 01 | Wprowadzenie do uczenia maszynowego | [Introduction](1-Introduction/README.md) | Poznaj podstawowe pojęcia stojące za uczeniem maszynowym | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad | | 02 | Historia uczenia maszynowego | [Introduction](1-Introduction/README.md) | Poznaj historię leżącą u podstaw tej dziedziny | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen and Amy | | 03 | Sprawiedliwość i uczenie maszynowe | [Introduction](1-Introduction/README.md) | Jakie są ważne kwestie filozoficzne dotyczące sprawiedliwości, które studenci powinni rozważyć podczas budowy i stosowania modeli ML? | [Lesson](1-Introduction/3-fairness/README.md) | Tomomi | | 04 | Techniki uczenia maszynowego | [Introduction](1-Introduction/README.md) | Jakich technik używają badacze ML do budowy modeli ML? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris and Jen | | 05 | Wprowadzenie do regresji | [Regression](2-Regression/README.md) | Zacznij pracę z Pythonem i Scikit-learn dla modeli regresji | [Python](2-Regression/1-Tools/README.md) • [R](../../2-Regression/1-Tools/solution/R/lesson_1.html) | Jen • Eric Wanjau | | 06 | Ceny dyni w Ameryce Północnej 🎃 | [Regression](2-Regression/README.md) | Wizualizuj i oczyszczaj dane w przygotowaniu do ML | [Python](2-Regression/2-Data/README.md) • [R](../../2-Regression/2-Data/solution/R/lesson_2.html) | Jen • Eric Wanjau | | 07 | Ceny dyni w Ameryce Północnej 🎃 | [Regression](2-Regression/README.md) | Buduj modele regresji liniowej i wielomianowej | [Python](2-Regression/3-Linear/README.md) • [R](../../2-Regression/3-Linear/solution/R/lesson_3.html) | Jen and Dmitry • Eric Wanjau | | 08 | Ceny dyni w Ameryce Północnej 🎃 | [Regression](2-Regression/README.md) | Buduj model regresji logistycznej | [Python](2-Regression/4-Logistic/README.md) • [R](../../2-Regression/4-Logistic/solution/R/lesson_4.html) | Jen • Eric Wanjau | | 09 | Aplikacja internetowa 🔌 | [Web App](3-Web-App/README.md) | Zbuduj aplikację internetową do użycia wytrenowanego modelu | [Python](3-Web-App/1-Web-App/README.md) | Jen | | 10 | Wprowadzenie do klasyfikacji | [Classification](4-Classification/README.md) | Oczyść, przygotuj i wizualizuj dane; wprowadzenie do klasyfikacji | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen and Cassie • Eric Wanjau | | 11 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | [Classification](4-Classification/README.md) | Wprowadzenie do klasyfikatorów | [Python](4-Classification/2-Classifiers-1/README.md) • [R](../../4-Classification/2-Classifiers-1/solution/R/lesson_11.html) | Jen and Cassie • Eric Wanjau | | 12 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | [Classification](4-Classification/README.md) | Więcej klasyfikatorów | [Python](4-Classification/3-Classifiers-2/README.md) • [R](../../4-Classification/3-Classifiers-2/solution/R/lesson_12.html) | Jen and Cassie • Eric Wanjau | | 13 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | [Classification](4-Classification/README.md) | Zbuduj aplikację internetową rekomendującą na podstawie twojego modelu | [Python](4-Classification/4-Applied/README.md) | Jen | | 14 | Wprowadzenie do klasteryzacji | [Clustering](5-Clustering/README.md) | Oczyść, przygotuj i wizualizuj dane; wprowadzenie do klasteryzacji | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | | 15 | Odkrywanie muzycznych gustów Nigerii 🎧 | [Clustering](5-Clustering/README.md) | Poznaj metodę klasteryzacji K-średnich | [Python](5-Clustering/2-K-Means/README.md) • [R](../../5-Clustering/2-K-Means/solution/R/lesson_15.html) | Jen • Eric Wanjau | | 16 | Wprowadzenie do przetwarzania języka naturalnego ☕️ | [Natural language processing](6-NLP/README.md) | Poznaj podstawy NLP, budując prostego bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | | 17 | Typowe zadania NLP ☕️ | [Natural language processing](6-NLP/README.md) | Pogłęb swoją wiedzę o NLP, poznając typowe zadania związane z przetwarzaniem struktur językowych | [Python](6-NLP/2-Tasks/README.md) | Stephen | | 18 | Tłumaczenie i analiza sentymentu ♥️ | [Natural language processing](6-NLP/README.md) | Tłumaczenie i analiza sentymentu z Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | Romantyczne hotele Europy ♥️ | [Natural language processing](6-NLP/README.md) | Analiza sentymentu na podstawie opinii o hotelach 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | | 20 | Romantyczne hotele Europy ♥️ | [Natural language processing](6-NLP/README.md) | Analiza sentymentu na podstawie opinii o hotelach 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | Wprowadzenie do prognozowania szeregów czasowych | [Time series](7-TimeSeries/README.md) | Wprowadzenie do prognozowania szeregów czasowych | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ Zużycie energii na świecie ⚡️ - prognozowanie szeregów czasowych z ARIMA | [Time series](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych z ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ Zużycie energii na świecie ⚡️ - prognozowanie szeregów czasowych z SVR | [Time series](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych z regresorem wektorów nośnych (SVR) | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | Wprowadzenie do uczenia ze wzmocnieniem | [Reinforcement learning](8-Reinforcement/README.md) | Wprowadzenie do uczenia ze wzmocnieniem z Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry | | 25 | Pomóż Piotrowi uniknąć wilka! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Uczenie ze wzmocnieniem w Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | | Postscript | Scenariusze i zastosowania ML w rzeczywistym świecie | [ML in the Wild](9-Real-World/README.md) | Interesujące i pouczające zastosowania klasycznego ML w rzeczywistym świecie | [Lesson](9-Real-World/1-Applications/README.md) | Team | | Postscript | Debugowanie modeli ML za pomocą pulpitu RAI | [ML in the Wild](9-Real-World/README.md) | Debugowanie modeli w uczeniu maszynowym za pomocą komponentów pulpitu Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu | > [znajdź wszystkie dodatkowe zasoby do tego kursu w naszej kolekcji Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) ## Dostęp offline Możesz uruchomić tę dokumentację offline, korzystając z [Docsify](https://docsify.js.org/#/). Sklonuj to repozytorium, [zainstaluj Docsify](https://docsify.js.org/#/quickstart) na swoim lokalnym komputerze, a następnie w głównym folderze tego repozytorium wpisz `docsify serve`. Strona będzie dostępna na porcie 3000 na twoim localhost: `localhost:3000`. ## Pliki PDF Znajdź pdf programu nauczania z linkami [tutaj](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). ## 🎒 Inne kursy Nasz zespół tworzy inne kursy! Sprawdź: ### LangChain [](https://aka.ms/langchain4j-for-beginners) [](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin) --- ### Azure / Edge / MCP / Agenci [](https://github.com/microsoft/AZD-for-beginners?WT.mc_id=academic-105485-koreyst) [](https://github.com/microsoft/edgeai-for-beginners?WT.mc_id=academic-105485-koreyst) [](https://github.com/microsoft/mcp-for-beginners?WT.mc_id=academic-105485-koreyst) [](https://github.com/microsoft/ai-agents-for-beginners?WT.mc_id=academic-105485-koreyst) --- ### Seria Generative AI [](https://github.com/microsoft/generative-ai-for-beginners?WT.mc_id=academic-105485-koreyst) [-9333EA?style=for-the-badge&labelColor=E5E7EB&color=9333EA)](https://github.com/microsoft/Generative-AI-for-beginners-dotnet?WT.mc_id=academic-105485-koreyst) [-C084FC?style=for-the-badge&labelColor=E5E7EB&color=C084FC)](https://github.com/microsoft/generative-ai-for-beginners-java?WT.mc_id=academic-105485-koreyst) [-E879F9?style=for-the-badge&labelColor=E5E7EB&color=E879F9)](https://github.com/microsoft/generative-ai-with-javascript?WT.mc_id=academic-105485-koreyst) --- ### Podstawowa nauka [](https://aka.ms/ml-beginners?WT.mc_id=academic-105485-koreyst) [](https://aka.ms/datascience-beginners?WT.mc_id=academic-105485-koreyst) [](https://aka.ms/ai-beginners?WT.mc_id=academic-105485-koreyst) [](https://github.com/microsoft/Security-101?WT.mc_id=academic-96948-sayoung) [](https://aka.ms/webdev-beginners?WT.mc_id=academic-105485-koreyst) [](https://aka.ms/iot-beginners?WT.mc_id=academic-105485-koreyst) [](https://github.com/microsoft/xr-development-for-beginners?WT.mc_id=academic-105485-koreyst) --- ### Seria Copilot [](https://aka.ms/GitHubCopilotAI?WT.mc_id=academic-105485-koreyst) [](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers?WT.mc_id=academic-105485-koreyst) [](https://github.com/microsoft/CopilotAdventures?WT.mc_id=academic-105485-koreyst) ## Uzyskiwanie pomocy Jeśli utkniesz lub masz pytania dotyczące tworzenia aplikacji AI. Dołącz do innych uczących się i doświadczonych programistów w dyskusjach o MCP. To wspierająca społeczność, gdzie pytania są mile widziane, a wiedza jest swobodnie dzielona. [](https://discord.gg/nTYy5BXMWG) Jeśli masz uwagi dotyczące produktu lub napotkasz błędy podczas tworzenia, odwiedź: [](https://aka.ms/foundry/forum) --- **Zastrzeżenie**: Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Mimo że dokładamy starań, aby tłumaczenie było jak najbardziej precyzyjne, prosimy mieć na uwadze, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w języku źródłowym powinien być uznawany za źródło autorytatywne. W przypadku informacji krytycznych zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia.