You can not select more than 25 topics Topics must start with a letter or number, can include dashes ('-') and can be up to 35 characters long.
ML-For-Beginners/translations/cs
leestott 846aa4ce1a
🌐 Update translations via Co-op Translator
1 week ago
..
1-Introduction 🌐 Update translations via Co-op Translator 1 month ago
2-Regression 🌐 Update translations via Co-op Translator 1 month ago
3-Web-App 🌐 Update translations via Co-op Translator 1 month ago
4-Classification 🌐 Update translations via Co-op Translator 1 month ago
5-Clustering 🌐 Update translations via Co-op Translator 1 month ago
6-NLP 🌐 Update translations via Co-op Translator 1 month ago
7-TimeSeries 🌐 Update translations via Co-op Translator 1 month ago
8-Reinforcement 🌐 Update translations via Co-op Translator 1 month ago
9-Real-World 🌐 Update translations via Co-op Translator 1 month ago
docs 🌐 Update translations via Co-op Translator 1 month ago
quiz-app 🌐 Update translations via Co-op Translator 1 month ago
sketchnotes 🌐 Update translations via Co-op Translator 1 month ago
CODE_OF_CONDUCT.md 🌐 Update translations via Co-op Translator 1 month ago
CONTRIBUTING.md 🌐 Update translations via Co-op Translator 1 month ago
PyTorch_Fundamentals.ipynb 🌐 Update translations via Co-op Translator 1 month ago
README.md 🌐 Update translations via Co-op Translator 1 week ago
SECURITY.md 🌐 Update translations via Co-op Translator 1 month ago
SUPPORT.md 🌐 Update translations via Co-op Translator 1 month ago
for-teachers.md 🌐 Update translations via Co-op Translator 1 month ago

README.md

GitHub license
GitHub contributors
GitHub issues
GitHub pull-requests
PRs Welcome

GitHub watchers
GitHub forks
GitHub stars

🌐 Podpora více jazyků

Podporováno prostřednictvím GitHub Action (automatizované a vždy aktuální)

Francouzština | Španělština | Němčina | Ruština | Arabština | Perština (Farsi) | Urdu | Čínština (zjednodušená) | Čínština (tradiční, Macao) | Čínština (tradiční, Hongkong) | Čínština (tradiční, Tchaj-wan) | Japonština | Korejština | Hindština | Bengálština | Maráthština | Nepálština | Paňdžábština (Gurmukhi) | Portugalština (Portugalsko) | Portugalština (Brazílie) | Italština | Polština | Turečtina | Řečtina | Thajština | Švédština | Dánština | Norština | Finština | Nizozemština | Hebrejština | Vietnamština | Indonéština | Malajština | Tagalog (Filipíny) | Svahilština | Maďarština | Čeština | Slovenština | Rumunština | Bulharština | Srbština (cyrilice) | Chorvatština | Slovinština | Ukrajinština | Barmština (Myanmar)

Připojte se k naší komunitě

Azure AI Discord

Na Discordu probíhá série "Učte se s AI", dozvíte se více a připojte se k nám na Learn with AI Series od 18. do 30. září 2025. Získáte tipy a triky, jak používat GitHub Copilot pro datovou vědu.

Learn with AI series

Strojové učení pro začátečníky - kurikulum

🌍 Cestujte po světě, zatímco zkoumáme strojové učení prostřednictvím světových kultur 🌍

Cloud Advocates v Microsoftu s potěšením nabízejí 12týdenní kurikulum s 26 lekcemi o strojovém učení. V tomto kurikulu se naučíte, co se někdy nazývá klasické strojové učení, především s využitím knihovny Scikit-learn a bez hlubokého učení, které je pokryto v našem kurikulu AI pro začátečníky. Tyto lekce můžete také kombinovat s naším kurikulem 'Datová věda pro začátečníky'.

Cestujte s námi po světě, zatímco aplikujeme tyto klasické techniky na data z různých částí světa. Každá lekce obsahuje kvízy před a po lekci, písemné pokyny k dokončení lekce, řešení, úkoly a další. Náš projektově orientovaný přístup vám umožní učit se při budování, což je osvědčený způsob, jak si nové dovednosti lépe osvojit.

✍️ Velké díky našim autorům Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu a Amy Boyd

🎨 Díky také našim ilustrátorům Tomomi Imura, Dasani Madipalli a Jen Looper

🙏 Speciální poděkování 🙏 našim autorům, recenzentům a přispěvatelům obsahu z řad Microsoft Student Ambassador, zejména Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila a Snigdha Agarwal

🤩 Extra poděkování Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi a Vidushi Gupta za naše lekce v R!

Začínáme

Postupujte podle těchto kroků:

  1. Forkujte repozitář: Klikněte na tlačítko "Fork" v pravém horním rohu této stránky.
  2. Naklonujte repozitář: git clone https://github.com/microsoft/ML-For-Beginners.git

najděte všechny další zdroje pro tento kurz v naší kolekci Microsoft Learn

Studenti, chcete-li použít toto kurikulum, forkujte celý repozitář do svého vlastního GitHub účtu a dokončete cvičení sami nebo ve skupině:

  • Začněte kvízem před lekcí.
  • Přečtěte si lekci a dokončete aktivity, přičemž se zastavte a zamyslete při každé kontrolní otázce.
  • Pokuste se vytvořit projekty pochopením lekcí, místo abyste pouze spouštěli řešení; kód řešení je však dostupný ve složkách /solution v každé projektově orientované lekci.
  • Udělejte kvíz po lekci.
  • Dokončete výzvu.
  • Dokončete úkol.
  • Po dokončení skupiny lekcí navštivte Diskusní fórum a "učte se nahlas" vyplněním příslušného PAT rubriky. 'PAT' je nástroj pro hodnocení pokroku, což je rubrika, kterou vyplníte, abyste si prohloubili své učení. Můžete také reagovat na jiné PAT, abychom se učili společně.

Pro další studium doporučujeme sledovat tyto moduly a vzdělávací cesty Microsoft Learn.

Učitelé, zahrnuli jsme několik návrhů, jak toto kurikulum využít.


Video průvodce

Některé lekce jsou dostupné jako krátká videa. Všechna tato videa najdete přímo v lekcích nebo na playlistu ML for Beginners na YouTube kanálu Microsoft Developer kliknutím na obrázek níže.

ML for beginners banner


Seznamte se s týmem

Promo video

Gif vytvořil Mohit Jaisal

🎥 Klikněte na obrázek výše pro video o projektu a lidech, kteří jej vytvořili!


Pedagogika

Při tvorbě tohoto kurikula jsme zvolili dva pedagogické principy: zajistit, aby bylo praktické projektově orientované a aby obsahovalo časté kvízy. Navíc má toto kurikulum společné téma, které mu dodává soudržnost.

Zajištěním, že obsah odpovídá projektům, je proces pro studenty více poutavý a zlepšuje se uchování konceptů. Nízkostresový kvíz před hodinou nastaví záměr studenta na učení daného tématu, zatímco druhý kvíz po hodině zajišťuje další uchování. Toto kurikulum bylo navrženo tak, aby bylo flexibilní a zábavné, a lze jej absolvovat celé nebo jen jeho část. Projekty začínají malými úkoly a postupně se stávají složitějšími na konci 12týdenního cyklu. Kurikulum také obsahuje dodatek o reálných aplikacích strojového učení, který může být použit jako extra kredit nebo jako základ pro diskusi.

Najděte naše Pravidla chování, Pokyny pro přispívání a Pokyny pro překlady. Uvítáme vaši konstruktivní zpětnou vazbu!

Každá lekce obsahuje

  • volitelný sketchnote
  • volitelné doplňkové video
  • video průvodce (pouze některé lekce)
  • kvíz na zahřátí před lekcí
  • písemnou lekci
  • u projektově orientovaných lekcí, podrobné průvodce, jak projekt vytvořit
  • kontrolní otázky
  • výzvu
  • doplňkové čtení
  • úkol
  • kvíz po lekci

Poznámka k jazykům: Tyto lekce jsou primárně psány v Pythonu, ale mnoho z nich je také dostupných v R. Chcete-li dokončit lekci v R, přejděte do složky /solution a vyhledejte lekce v R. Ty obsahují příponu .rmd, která představuje R Markdown soubor, což lze jednoduše definovat jako vložení code chunks (R nebo jiných jazyků) a YAML header (který určuje, jak formátovat výstupy, jako je PDF) do Markdown dokumentu. Slouží jako příkladný autorizační rámec pro datovou vědu, protože umožňuje kombinovat váš kód, jeho výstup a vaše myšlenky tím, že je zapisujete do Markdownu. Navíc lze R Markdown dokumenty převést na výstupní formáty, jako je PDF, HTML nebo Word.

Poznámka ke kvízům: Všechny kvízy jsou obsaženy ve složce Quiz App, celkem 52 kvízů po třech otázkách. Jsou propojeny přímo z lekcí, ale aplikaci kvízů lze spustit lokálně; postupujte podle pokynů ve složce quiz-app, abyste ji hostovali lokálně nebo nasadili na Azure.

Číslo lekce Téma Skupina lekcí Výukové cíle Propojená lekce Autor
01 Úvod do strojového učení Úvod Naučte se základní koncepty strojového učení Lekce Muhammad
02 Historie strojového učení Úvod Naučte se historii tohoto oboru Lekce Jen a Amy
03 Spravedlnost a strojové učení Úvod Jaké důležité filozofické otázky ohledně spravedlnosti by měli studenti zvážit při vytváření a aplikaci modelů strojového učení? Lekce Tomomi
04 Techniky pro strojové učení Úvod Jaké techniky používají výzkumníci strojového učení při vytváření modelů? Lekce Chris a Jen
05 Úvod do regrese Regrese Začněte s Pythonem a Scikit-learn pro regresní modely PythonR Jen • Eric Wanjau
06 Ceny dýní v Severní Americe 🎃 Regrese Vizualizace a čištění dat jako příprava na strojové učení PythonR Jen • Eric Wanjau
07 Ceny dýní v Severní Americe 🎃 Regrese Vytvoření lineárních a polynomiálních regresních modelů PythonR Jen a Dmitry • Eric Wanjau
08 Ceny dýní v Severní Americe 🎃 Regrese Vytvoření logistického regresního modelu PythonR Jen • Eric Wanjau
09 Webová aplikace 🔌 Webová aplikace Vytvoření webové aplikace pro použití vašeho trénovaného modelu Python Jen
10 Úvod do klasifikace Klasifikace Čištění, příprava a vizualizace dat; úvod do klasifikace PythonR Jen a Cassie • Eric Wanjau
11 Lahodná asijská a indická kuchyně 🍜 Klasifikace Úvod do klasifikátorů PythonR Jen a Cassie • Eric Wanjau
12 Lahodná asijská a indická kuchyně 🍜 Klasifikace Další klasifikátory PythonR Jen a Cassie • Eric Wanjau
13 Lahodná asijská a indická kuchyně 🍜 Klasifikace Vytvoření webové aplikace doporučující na základě vašeho modelu Python Jen
14 Úvod do shlukování Shlukování Čištění, příprava a vizualizace dat; úvod do shlukování PythonR Jen • Eric Wanjau
15 Zkoumání hudebních preferencí v Nigérii 🎧 Shlukování Zkoumání metody shlukování K-Means PythonR Jen • Eric Wanjau
16 Úvod do zpracování přirozeného jazyka Zpracování přirozeného jazyka Naučte se základy NLP vytvořením jednoduchého bota Python Stephen
17 Běžné úkoly NLP Zpracování přirozeného jazyka Prohloubení znalostí NLP pochopením běžných úkolů při práci s jazykovými strukturami Python Stephen
18 Překlad a analýza sentimentu ♥️ Zpracování přirozeného jazyka Překlad a analýza sentimentu s Jane Austen Python Stephen
19 Romantické hotely v Evropě ♥️ Zpracování přirozeného jazyka Analýza sentimentu s recenzemi hotelů 1 Python Stephen
20 Romantické hotely v Evropě ♥️ Zpracování přirozeného jazyka Analýza sentimentu s recenzemi hotelů 2 Python Stephen
21 Úvod do předpovědi časových řad Časové řady Úvod do předpovědi časových řad Python Francesca
22 Světová spotřeba energie - předpověď časových řad s ARIMA Časové řady Předpověď časových řad s ARIMA Python Francesca
23 Světová spotřeba energie - předpověď časových řad s SVR Časové řady Předpověď časových řad s Support Vector Regressor Python Anirban
24 Úvod do posilovaného učení Posilované učení Úvod do posilovaného učení s Q-Learning Python Dmitry
25 Pomozte Petrovi vyhnout se vlkovi! 🐺 Posilované učení Posilované učení Gym Python Dmitry
Postscript Scénáře a aplikace strojového učení v reálném světě ML v praxi Zajímavé a odhalující aplikace klasického strojového učení v reálném světě Lekce Tým
Postscript Ladění modelů ML pomocí RAI dashboardu ML v praxi Ladění modelů strojového učení pomocí komponent Responsible AI dashboardu Lekce Ruth Yakubu

najděte všechny další zdroje pro tento kurz v naší kolekci Microsoft Learn

Offline přístup

Tuto dokumentaci můžete spustit offline pomocí Docsify. Forkněte tento repozitář, nainstalujte Docsify na svůj lokální počítač a poté v kořenové složce tohoto repozitáře zadejte docsify serve. Webová stránka bude spuštěna na portu 3000 na vašem localhostu: localhost:3000.

PDF

Najděte PDF verzi kurikula s odkazy zde.

🎒 Další kurzy

Náš tým vytváří další kurzy! Podívejte se na:


Prohlášení:
Tento dokument byl přeložen pomocí služby AI pro překlady Co-op Translator. I když se snažíme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro důležité informace se doporučuje profesionální lidský překlad. Neodpovídáme za žádná nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.