[](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 #### Obsługiwane przez GitHub Action (Automatyczne i zawsze aktualne) [Francuski](../fr/README.md) | [Hiszpański](../es/README.md) | [Niemiecki](../de/README.md) | [Rosyjski](../ru/README.md) | [Arabski](../ar/README.md) | [Perski (Farsi)](../fa/README.md) | [Urdu](../ur/README.md) | [Chiński (uproszczony)](../zh/README.md) | [Chiński (tradycyjny, Makau)](../mo/README.md) | [Chiński (tradycyjny, Hongkong)](../hk/README.md) | [Chiński (tradycyjny, Tajwan)](../tw/README.md) | [Japoński](../ja/README.md) | [Koreański](../ko/README.md) | [Hindi](../hi/README.md) | [Bengalski](../bn/README.md) | [Marathi](../mr/README.md) | [Nepalski](../ne/README.md) | [Pendżabski (Gurmukhi)](../pa/README.md) | [Portugalski (Portugalia)](../pt/README.md) | [Portugalski (Brazylia)](../br/README.md) | [Włoski](../it/README.md) | [Polski](./README.md) | [Turecki](../tr/README.md) | [Grecki](../el/README.md) | [Tajski](../th/README.md) | [Szwedzki](../sv/README.md) | [Duński](../da/README.md) | [Norweski](../no/README.md) | [Fiński](../fi/README.md) | [Holenderski](../nl/README.md) | [Hebrajski](../he/README.md) | [Wietnamski](../vi/README.md) | [Indonezyjski](../id/README.md) | [Malajski](../ms/README.md) | [Tagalog (Filipiński)](../tl/README.md) | [Suahili](../sw/README.md) | [Węgierski](../hu/README.md) | [Czeski](../cs/README.md) | [Słowacki](../sk/README.md) | [Rumuński](../ro/README.md) | [Bułgarski](../bg/README.md) | [Serbski (cyrylica)](../sr/README.md) | [Chorwacki](../hr/README.md) | [Słoweński](../sl/README.md) | [Ukraiński](../uk/README.md) | [Birmański (Myanmar)](../my/README.md) #### Dołącz do naszej społeczności [](https://aka.ms/ml4beginners/discord) Mamy serię nauki z AI na Discordzie, dowiedz się więcej i dołącz do nas na [Learn with AI Series](https://aka.ms/learnwithai/discord) od 18 do 30 września 2025. Otrzymasz wskazówki i porady dotyczące korzystania z GitHub Copilot w Data Science.  # Machine Learning dla początkujących - Program nauczania > 🌍 Podróżuj po świecie, odkrywając Machine Learning przez pryzmat kultur 🌍 Cloud Advocates w Microsoft z dumą oferują 12-tygodniowy, 26-lekcyjny program nauczania dotyczący **Machine Learning**. W tym programie nauczysz się, czym jest czasami nazywany **klasyczny machine learning**, korzystając głównie z biblioteki Scikit-learn i unikając deep learningu, który jest omówiony w naszym [programie AI dla początkujących](https://aka.ms/ai4beginners). Połącz te lekcje z naszym programem ['Data Science dla początkujących'](https://aka.ms/ds4beginners)! Podróżuj z nami po świecie, stosując te klasyczne techniki do danych z różnych regionów świata. Każda lekcja zawiera quizy przed i po lekcji, pisemne instrukcje do wykonania lekcji, rozwiązanie, zadanie i wiele więcej. Nasza metoda oparta na projektach pozwala uczyć się poprzez tworzenie, co jest sprawdzonym sposobem na trwałe przyswojenie 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 z grona Microsoft Student Ambassador**, w szczególności Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila i Snigdha Agarwal **🤩 Dodatkowe podziękowania dla Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi i Vidushi Gupta za nasze lekcje R!** # Rozpoczęcie pracy Postępuj zgodnie z tymi krokami: 1. **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 dla tego kursu w naszej kolekcji Microsoft Learn](https://learn.microsoft.com/en-us/collections/qrqzamz1nn2wx3?WT.mc_id=academic-77952-bethanycheum) **[Studenci](https://aka.ms/student-page)**, aby skorzystać z tego programu nauczania, zrób fork całego repozytorium na swoje konto GitHub i wykonaj ćwiczenia samodzielnie lub w grupie: - Rozpocznij od quizu przed lekcją. - Przeczytaj lekcję i wykonaj aktywności, zatrzymując się i reflektując przy każdym sprawdzeniu wiedzy. - Spróbuj stworzyć projekty, rozumiejąc lekcje, zamiast uruchamiać kod rozwiązania; jednak ten kod jest dostępny w folderach `/solution` w każdej lekcji opartej na projekcie. - Zrób quiz po lekcji. - Wykonaj wyzwanie. - Wykonaj zadanie. - Po ukończeniu grupy lekcji odwiedź [Forum dyskusyjne](https://github.com/microsoft/ML-For-Beginners/discussions) i "ucz się na głos", wypełniając odpowiedni rubrykę PAT. 'PAT' to narzędzie oceny postępów, które jest rubryką, którą wypełniasz, aby pogłębić swoją naukę. Możesz również 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 nauczania. --- ## Przewodniki wideo Niektóre lekcje są dostępne w formie krótkich filmów. Możesz znaleźć je wszystkie w lekcjach lub na [playliście ML dla początkujących na kanale YouTube Microsoft Developer](https://aka.ms/ml-beginners-videos), klikając obrazek poniżej. [](https://aka.ms/ml-beginners-videos) --- ## Poznaj zespół [](https://youtu.be/Tj1XWrDSYJU) **Gif autorstwa** [Mohit Jaisal](https://linkedin.com/in/mohitjaisal) > 🎥 Kliknij obrazek powyżej, aby obejrzeć film o projekcie i osobach, które go stworzyły! --- ## Metodyka nauczania Podczas tworzenia tego programu nauczania wybraliśmy dwie zasady pedagogiczne: zapewnienie, że jest on oparty na **projektach** oraz że zawiera **częste quizy**. Ponadto ten program nauczania ma wspólny **motyw**, który nadaje mu spójność. Zapewniając, że treści są zgodne z projektami, proces staje się bardziej angażujący dla studentów, a przyswajanie koncepcji zostaje wzmocnione. Dodatkowo quiz o niskim ryzyku przed zajęciami ustawia intencję studenta na naukę danego tematu, a drugi quiz po zajęciach zapewnia dalsze przyswajanie wiedzy. Ten program nauczania został zaprojektowany tak, aby był elastyczny i zabawny, można go realizować w całości lub częściowo. Projekty zaczynają się od prostych i stają się coraz bardziej złożone pod koniec 12-tygodniowego cyklu. Program nauczania zawiera również postscriptum dotyczące rzeczywistych zastosowań ML, które można wykorzystać jako dodatkowe punkty lub jako podstawę do dyskusji. > Znajdź nasze [Zasady postępowania](CODE_OF_CONDUCT.md), [Wskazówki dotyczące współtworzenia](CONTRIBUTING.md) i [Wskazówki dotyczące tłumaczenia](TRANSLATIONS.md). Czekamy na Twoją konstruktywną opinię! ## Każda lekcja zawiera - opcjonalny sketchnote - opcjonalny materiał wideo uzupełniający - przewodnik wideo (tylko niektóre lekcje) - [quiz rozgrzewkowy przed lekcją](https://ff-quizzes.netlify.app/en/ml/) - pisemną lekcję - dla lekcji opartych na projektach, przewodniki krok po kroku, jak zbudować projekt - sprawdzenie wiedzy - wyzwanie - dodatkowe materiały do czytania - zadanie - [quiz po lekcji](https://ff-quizzes.netlify.app/en/ml/) > **Uwaga dotycząca języków**: Te lekcje są głównie napisane w Pythonie, ale wiele z nich jest również dostępnych w R. Aby ukończyć lekcję w R, przejdź do folderu `/solution` i poszukaj lekcji w R. Zawierają one rozszerzenie .rmd, które reprezentuje **R Markdown**, czyli dokument, który łączy fragmenty kodu (R lub innych języków) z nagłówkiem YAML (określającym formatowanie wyników, takich jak PDF) w dokumencie Markdown. Dzięki temu jest to doskonałe narzędzie do tworzenia treści dla data science, ponieważ pozwala na łączenie kodu, jego wyników i własnych przemyśleń w jednym miejscu. Dokumenty R Markdown mogą być renderowane do formatów wyjściowych, takich jak PDF, HTML czy Word. > **Uwaga dotycząca quizów**: Wszystkie quizy znajdują się w [folderze Quiz App](../../quiz-app), w sumie 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 hostować lokalnie lub wdrożyć na Azure. | Numer lekcji | Temat | Grupa lekcji | Cele nauczania | Powiązana lekcja | Autor | | :-----------: | :------------------------------------------------------------: | :-------------------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :--------------------------------------------------: | | 01 | Wprowadzenie do machine learning | [Wprowadzenie](1-Introduction/README.md) | Poznaj podstawowe pojęcia związane z machine learning | [Lekcja](1-Introduction/1-intro-to-ML/README.md) | Muhammad | | 02 | Historia machine learning | [Wprowadzenie](1-Introduction/README.md) | Poznaj historię stojącą za tą dziedziną | [Lekcja](1-Introduction/2-history-of-ML/README.md) | Jen i Amy | | 03 | Sprawiedliwość i uczenie maszynowe | [Wprowadzenie](1-Introduction/README.md) | Jakie ważne kwestie filozoficzne dotyczące sprawiedliwości powinni rozważyć studenci podczas tworzenia i stosowania modeli ML? | [Lekcja](1-Introduction/3-fairness/README.md) | Tomomi | | 04 | Techniki uczenia maszynowego | [Wprowadzenie](1-Introduction/README.md) | Jakie techniki stosują badacze ML do budowy modeli uczenia maszynowego? | [Lekcja](1-Introduction/4-techniques-of-ML/README.md) | Chris i Jen | | 05 | Wprowadzenie do regresji | [Regresja](2-Regression/README.md) | Rozpocznij 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 🎃 | [Regresja](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 🎃 | [Regresja](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 i Dmitry • Eric Wanjau | | 08 | Ceny dyni w Ameryce Północnej 🎃 | [Regresja](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 Web 🔌 | [Aplikacja Web](3-Web-App/README.md) | Zbuduj aplikację webową, aby używać swojego wytrenowanego modelu | [Python](3-Web-App/1-Web-App/README.md) | Jen | | 10 | Wprowadzenie do klasyfikacji | [Klasyfikacja](4-Classification/README.md) | Oczyść, przygotuj i wizualizuj swoje dane; wprowadzenie do klasyfikacji | [Python](4-Classification/1-Introduction/README.md) • [R](../../4-Classification/1-Introduction/solution/R/lesson_10.html) | Jen i Cassie • Eric Wanjau | | 11 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | [Klasyfikacja](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 i Cassie • Eric Wanjau | | 12 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | [Klasyfikacja](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 i Cassie • Eric Wanjau | | 13 | Pyszne kuchnie azjatyckie i indyjskie 🍜 | [Klasyfikacja](4-Classification/README.md) | Zbuduj aplikację webową rekomendującą na podstawie swojego modelu | [Python](4-Classification/4-Applied/README.md) | Jen | | 14 | Wprowadzenie do klastrowania | [Klastrowanie](5-Clustering/README.md) | Oczyść, przygotuj i wizualizuj swoje dane; wprowadzenie do klastrowania | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau | | 15 | Odkrywanie muzycznych gustów Nigeryjczyków 🎧 | [Klastrowanie](5-Clustering/README.md) | Poznaj metodę klastrowania K-Means | [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 ☕️ | [Przetwarzanie języka naturalnego](6-NLP/README.md)| Poznaj podstawy NLP, budując prostego bota | [Python](6-NLP/1-Introduction-to-NLP/README.md) | Stephen | | 17 | Typowe zadania NLP ☕️ | [Przetwarzanie języka naturalnego](6-NLP/README.md)| Pogłęb swoją wiedzę o NLP, rozumiejąc typowe zadania związane z przetwarzaniem struktur językowych | [Python](6-NLP/2-Tasks/README.md) | Stephen | | 18 | Tłumaczenie i analiza sentymentu ♥️ | [Przetwarzanie języka naturalnego](6-NLP/README.md)| Tłumaczenie i analiza sentymentu z Jane Austen | [Python](6-NLP/3-Translation-Sentiment/README.md) | Stephen | | 19 | Romantyczne hotele Europy ♥️ | [Przetwarzanie języka naturalnego](6-NLP/README.md)| Analiza sentymentu na podstawie recenzji hoteli 1 | [Python](6-NLP/4-Hotel-Reviews-1/README.md) | Stephen | | 20 | Romantyczne hotele Europy ♥️ | [Przetwarzanie języka naturalnego](6-NLP/README.md)| Analiza sentymentu na podstawie recenzji hoteli 2 | [Python](6-NLP/5-Hotel-Reviews-2/README.md) | Stephen | | 21 | Wprowadzenie do prognozowania szeregów czasowych | [Szeregi czasowe](7-TimeSeries/README.md) | Wprowadzenie do prognozowania szeregów czasowych | [Python](7-TimeSeries/1-Introduction/README.md) | Francesca | | 22 | ⚡️ Zużycie energii na świecie ⚡️ - prognozowanie z ARIMA | [Szeregi czasowe](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych z ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca | | 23 | ⚡️ Zużycie energii na świecie ⚡️ - prognozowanie z SVR | [Szeregi czasowe](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych z Support Vector Regressor | [Python](7-TimeSeries/3-SVR/README.md) | Anirban | | 24 | Wprowadzenie do uczenia ze wzmocnieniem | [Uczenie ze wzmocnieniem](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! 🐺 | [Uczenie ze wzmocnieniem](8-Reinforcement/README.md)| Gym w uczeniu ze wzmocnieniem | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry | | Postscript | Scenariusze i zastosowania ML w rzeczywistości | [ML w praktyce](9-Real-World/README.md) | Interesujące i odkrywcze zastosowania klasycznego ML w rzeczywistości | [Lekcja](9-Real-World/1-Applications/README.md) | Zespół | | Postscript | Debugowanie modeli ML za pomocą pulpitu RAI | [ML w praktyce](9-Real-World/README.md) | Debugowanie modeli uczenia maszynowego za pomocą komponentów odpowiedzialnego AI | [Lekcja](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/#/). Sforkuj to repozytorium, [zainstaluj Docsify](https://docsify.js.org/#/quickstart) na swoim lokalnym komputerze, a następnie w głównym folderze tego repozytorium wpisz `docsify serve`. Strona internetowa zostanie uruchomiona na porcie 3000 na Twoim localhost: `localhost:3000`. ## PDF-y Znajdź PDF z programem nauczania i linkami [tutaj](https://microsoft.github.io/ML-For-Beginners/pdf/readme.pdf). ## 🎒 Inne kursy Nasz zespół tworzy inne kursy! Sprawdź: - [Edge AI dla początkujących](https://aka.ms/edgeai-for-beginners) - [Agent AI dla początkujących](https://aka.ms/ai-agents-beginners) - [Generatywna AI dla początkujących](https://aka.ms/genai-beginners) - [Generatywna AI dla początkujących .NET](https://github.com/microsoft/Generative-AI-for-beginners-dotnet) - [Generatywna AI z JavaScriptem](https://github.com/microsoft/generative-ai-with-javascript) - [Generatywna AI z Javą](https://github.com/microsoft/Generative-AI-for-beginners-java) - [AI dla początkujących](https://aka.ms/ai-beginners) - [Data Science dla początkujących](https://aka.ms/datascience-beginners) - [ML dla początkujących](https://aka.ms/ml-beginners) - [Cyberbezpieczeństwo dla początkujących](https://github.com/microsoft/Security-101) - [Web Dev dla początkujących](https://aka.ms/webdev-beginners) - [IoT dla początkujących](https://aka.ms/iot-beginners) - [XR Development dla początkujących](https://github.com/microsoft/xr-development-for-beginners) - [Opanowanie GitHub Copilot dla programowania w parach](https://github.com/microsoft/Mastering-GitHub-Copilot-for-Paired-Programming) - [Opanowanie GitHub Copilot dla programistów C#/.NET](https://github.com/microsoft/mastering-github-copilot-for-dotnet-csharp-developers) - [Wybierz swoją własną przygodę z Copilotem](https://github.com/microsoft/CopilotAdventures) ## Uzyskanie pomocy Jeśli utkniesz lub masz pytania dotyczące budowy aplikacji AI, dołącz: [](https://aka.ms/foundry/discord) Jeśli masz uwagi dotyczące produktu lub napotkasz błędy podczas budowy, odwiedź: [](https://aka.ms/foundry/forum) --- **Zastrzeżenie**: Ten dokument został przetłumaczony za pomocą usługi tłumaczenia AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dokładamy wszelkich starań, aby tłumaczenie było precyzyjne, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego języku źródłowym powinien być uznawany za autorytatywne źródło. W przypadku informacji o kluczowym znaczeniu zaleca się skorzystanie z profesjonalnego tłumaczenia przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.