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.
236 lines
31 KiB
236 lines
31 KiB
[](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/)
|
|
|
|
### 🌐 Wielojęzyczne wsparcie
|
|
|
|
#### Wsparcie przez GitHub Action (Automatyczne i Zawsze Aktualne)
|
|
|
|
<!-- CO-OP TRANSLATOR LANGUAGES TABLE START -->
|
|
[Arabic](../ar/README.md) | [Bengali](../bn/README.md) | [Bulgarian](../bg/README.md) | [Burmese (Myanmar)](../my/README.md) | [Chinese (Simplified)](../zh-CN/README.md) | [Chinese (Traditional, Hong Kong)](../zh-HK/README.md) | [Chinese (Traditional, Macau)](../zh-MO/README.md) | [Chinese (Traditional, Taiwan)](../zh-TW/README.md) | [Croatian](../hr/README.md) | [Czech](../cs/README.md) | [Danish](../da/README.md) | [Dutch](../nl/README.md) | [Estonian](../et/README.md) | [Finnish](../fi/README.md) | [French](../fr/README.md) | [German](../de/README.md) | [Greek](../el/README.md) | [Hebrew](../he/README.md) | [Hindi](../hi/README.md) | [Hungarian](../hu/README.md) | [Indonesian](../id/README.md) | [Italian](../it/README.md) | [Japanese](../ja/README.md) | [Kannada](../kn/README.md) | [Khmer](../km/README.md) | [Korean](../ko/README.md) | [Lithuanian](../lt/README.md) | [Malay](../ms/README.md) | [Malayalam](../ml/README.md) | [Marathi](../mr/README.md) | [Nepali](../ne/README.md) | [Nigerian Pidgin](../pcm/README.md) | [Norwegian](../no/README.md) | [Persian (Farsi)](../fa/README.md) | [Polish](./README.md) | [Portuguese (Brazil)](../pt-BR/README.md) | [Portuguese (Portugal)](../pt-PT/README.md) | [Punjabi (Gurmukhi)](../pa/README.md) | [Romanian](../ro/README.md) | [Russian](../ru/README.md) | [Serbian (Cyrillic)](../sr/README.md) | [Slovak](../sk/README.md) | [Slovenian](../sl/README.md) | [Spanish](../es/README.md) | [Swahili](../sw/README.md) | [Swedish](../sv/README.md) | [Tagalog (Filipino)](../tl/README.md) | [Tamil](../ta/README.md) | [Telugu](../te/README.md) | [Thai](../th/README.md) | [Turkish](../tr/README.md) | [Ukrainian](../uk/README.md) | [Urdu](../ur/README.md) | [Vietnamese](../vi/README.md)
|
|
|
|
> **Wolisz klonować lokalnie?**
|
|
>
|
|
> To repozytorium zawiera tłumaczenia na ponad 50 języków, co znacząco zwiększa rozmiar pobierania. Aby sklonować bez tłumaczeń, użyj sparse checkout:
|
|
>
|
|
> **Bash / macOS / Linux:**
|
|
> ```bash
|
|
> git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
|
|
> cd ML-For-Beginners
|
|
> git sparse-checkout set --no-cone '/*' '!translations' '!translated_images'
|
|
> ```
|
|
>
|
|
> **CMD (Windows):**
|
|
> ```cmd
|
|
> git clone --filter=blob:none --sparse https://github.com/microsoft/ML-For-Beginners.git
|
|
> cd ML-For-Beginners
|
|
> git sparse-checkout set --no-cone "/*" "!translations" "!translated_images"
|
|
> ```
|
|
>
|
|
> To zapewnia wszystko, czego potrzebujesz, aby ukończyć kurs z dużo szybszym pobieraniem.
|
|
<!-- CO-OP TRANSLATOR LANGUAGES TABLE END -->
|
|
|
|
#### Dołącz do naszej społeczności
|
|
|
|
[](https://discord.gg/nTYy5BXMWG)
|
|
|
|
Prowadzimy serię Discord „Ucz się z AI”, 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 triki dotyczące korzystania z GitHub Copilot dla Data Science.
|
|
|
|
|
|
|
|
# Machine Learning dla Początkujących - Program Nauczania
|
|
|
|
> 🌍 Podróżuj po świecie, odkrywając 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 dowiesz się o tym, co nazywamy czasem **klasycznym uczeniem maszynowym**, głównie z użyciem biblioteki Scikit-learn, unikając uczenia głębokiego, które jest objęte naszym [programem 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 klasyczne techniki do danych z wielu regionów świata. Każda lekcja zawiera quizy przed i po lekcji, pisemne instrukcje realizacji, rozwiązanie, zadanie i więcej. Nasza oparta na projektach pedagogika pozwala uczyć się, budując, co jest sprawdzonym sposobem na trwałe przyswajanie nowych umiejętności.
|
|
|
|
**✍️ Gorące 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 oraz 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
|
|
|
|
**🤩 Specjalne podziękowania dla Microsoft Student Ambassadors Erica Wanjau, Jasleen Sondhi i Vidushi Gupta za lekcje R!**
|
|
|
|
# Rozpoczęcie
|
|
|
|
Postępuj według tych kroków:
|
|
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)
|
|
|
|
> 🔧 **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, wykonaj 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 każdej kontroli wiedzy.
|
|
- Spróbuj tworzyć projekty, rozumiejąc lekcje, a nie tylko uruchamiając kod rozwiązania; kod jest jednak dostępny w folderach `/solution` w każdej lekcji opartej na projekcie.
|
|
- Wykonaj quiz po wykładzie.
|
|
- 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 odpowiednią rubrykę PAT. PAT to narzędzie do oceny postępów, które wypełniasz, aby pogłębić swoją naukę. Możesz też reagować na PAT-y innych, abyśmy mogli uczyć się razem.
|
|
|
|
> Do dalszej nauki polecamy te [moduły i ścieżki nauczania Microsoft Learn](https://docs.microsoft.com/en-us/users/jenlooper-2911/collections/k7o7tg1gp306q4?WT.mc_id=academic-77952-leestott).
|
|
|
|
**Nauczyciele**, w [for-teachers.md] znajdziecie sugestie dotyczące korzystania z tego programu nauczania.
|
|
|
|
---
|
|
|
|
## Wideo instruktażowe
|
|
|
|
Niektóre lekcje są dostępne jako krótkie filmy. Znajdziesz je wszystkie bezpośrednio w lekcjach lub na [playliście ML dla początkujących na kanale Microsoft Developer YouTube](https://aka.ms/ml-beginners-videos) po kliknięciu poniższego obrazka.
|
|
|
|
[](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 zobaczyć film o projekcie i jego twórcach!
|
|
|
|
---
|
|
|
|
## Pedagogika
|
|
|
|
Przy tworzeniu tego programu wybraliśmy dwie zasady pedagogiczne: zapewnienie, że jest to program praktyczny, **oparty na projektach**, oraz że zawiera **częste quizy**. Dodatkowo program ma wspólny **motyw przewodni**, nadający mu spójność.
|
|
|
|
Zapewnienie powiązania z projektami sprawia, że proces uczenia się jest bardziej angażujący, co zwiększa zapamiętywanie pojęć. Dodatkowo quiz o niskiej stawce przed lekcją nastawia ucznia na naukę tematu, a drugi quiz po lekcji wzmacnia utrwalenie wiedzy. Program został zaprojektowany tak, aby był elastyczny i przyjemny oraz można go realizować w całości lub w części. Projekty zaczynają się od prostych i stopniowo stają się coraz bardziej złożone, kończąc 12-tygodniowy cykl. Program zawiera też posłowie o zastosowaniach ML w praktyce, które można wykorzystać jako dodatkowe punkty lub jako podstawę do dyskusji.
|
|
|
|
> Znajdź nasze wytyczne: [Kodeks postępowania](CODE_OF_CONDUCT.md), [Wkład w projekt](CONTRIBUTING.md), [Tłumaczenia](..) i [Przewodnik rozwiązywania problemów](TROUBLESHOOTING.md). Czekamy na Twoją konstruktywną opinię!
|
|
|
|
## Każda lekcja zawiera
|
|
|
|
- opcjonalną notatkę szkicową
|
|
- opcjonalne wideo uzupełniające
|
|
- wideo instruktażowe (tylko w niektórych lekcjach)
|
|
- [quiz rozgrzewający przed lekcją](https://ff-quizzes.netlify.app/en/ml/)
|
|
- pisemną lekcję
|
|
- w lekcjach opartych na projekcie: instrukcje krok po kroku jak zbudować projekt
|
|
- kontrole wiedzy
|
|
- wyzwanie
|
|
- lekturę uzupełniającą
|
|
- zadanie domowe
|
|
- [quiz po lekcji](https://ff-quizzes.netlify.app/en/ml/)
|
|
> **Nota o językach**: Te lekcje są przede wszystkim napisane w Pythonie, ale wiele z nich jest także 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` (w R lub innych językach) i `nagłówka YAML` (który wskazuje, jak formatować wyjścia takie jak PDF) w dokumencie `Markdown`. W ten sposób pełni on rolę przykładowego środowiska autorskiego dla nauki o danych, ponieważ pozwala łączyć kod, jego wyniki oraz Twoje przemyślenia, umożliwiając ich zapisywanie w Markdown. Co więcej, dokumenty R Markdown mogą być renderowane do formatów wyjściowych takich jak PDF, HTML czy Word.
|
|
|
|
> **Nota o quizach**: Wszystkie quizy znajdują się w folderze [Quiz App](../../quiz-app), łącznie 52 quizy po trzy pytania w każdym. Są one powiązane z lekcjami, ale aplikację quizową można uruchomić lokalnie; postępuj zgodnie z instrukcjami w folderze `quiz-app`, aby uruchomić ją lokalnie lub wdrożyć na Azure.
|
|
|
|
| Numer lekcji | Temat | Grupa lekcji | Cele nauki | Powiązana lekcja | Autor |
|
|
| :----------: | :------------------------------------------------------------: | :-----------------------------------------: | ------------------------------------------------------------------------------------------------------------------------------- | :--------------------------------------------------------------------------------------------------------------------------------------: | :------------------------------------------: |
|
|
| 01 | Wprowadzenie do uczenia maszynowego | [Introduction](1-Introduction/README.md) | Poznaj podstawowe koncepcje uczenia maszynowego | [Lesson](1-Introduction/1-intro-to-ML/README.md) | Muhammad |
|
|
| 02 | Historia uczenia maszynowego | [Introduction](1-Introduction/README.md) | Poznaj historię stojącą za tą dziedziną | [Lesson](1-Introduction/2-history-of-ML/README.md) | Jen i Amy |
|
|
| 03 | Sprawiedliwość a uczenie maszynowe | [Introduction](1-Introduction/README.md) | Jakie są ważne kwestie filozoficzne związane ze sprawiedliwością, które powinni rozważać studenci budujący i stosujący modele 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? | [Lesson](1-Introduction/4-techniques-of-ML/README.md) | Chris i Jen |
|
|
| 05 | Wprowadzenie do regresji | [Regression](2-Regression/README.md) | Zacznij 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 czyść dane przygotowując się 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 i Dmitry • Eric Wanjau |
|
|
| 08 | Ceny dyni w Ameryce Północnej 🎃 | [Regression](2-Regression/README.md) | Zbuduj 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 Webowa 🔌 | [Web App](3-Web-App/README.md) | Zbuduj aplikację webową do wykorzystania swojego wytrenowanego modelu | [Python](3-Web-App/1-Web-App/README.md) | Jen |
|
|
| 10 | Wprowadzenie do klasyfikacji | [Classification](4-Classification/README.md) | Czyść, 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 i Cassie • Eric Wanjau |
|
|
| 11 | Pyszna kuchnia azjatycka i indyjska 🍜 | [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 i Cassie • Eric Wanjau |
|
|
| 12 | Pyszna kuchnia azjatycka i indyjska 🍜 | [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 i Cassie • Eric Wanjau |
|
|
| 13 | Pyszna kuchnia azjatycka i indyjska 🍜 | [Classification](4-Classification/README.md) | Zbuduj webową aplikację rekomendacyjną używając swojego modelu | [Python](4-Classification/4-Applied/README.md) | Jen |
|
|
| 14 | Wprowadzenie do grupowania | [Clustering](5-Clustering/README.md) | Czyść, przygotuj i wizualizuj dane; wprowadzenie do grupowania | [Python](5-Clustering/1-Visualize/README.md) • [R](../../5-Clustering/1-Visualize/solution/R/lesson_14.html) | Jen • Eric Wanjau |
|
|
| 15 | Poznawanie nigeryjskich gustów muzycznych 🎧 | [Clustering](5-Clustering/README.md) | Poznaj metodę grupowania 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) | Naucz się podstaw 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 ze strukturą języka | [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 recenzji hoteli 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 recenzji hoteli 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 | ⚡️ Światowe zużycie energii ⚡️ - prognozowanie szeregów ARIMA | [Time series](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych z wykorzystaniem ARIMA | [Python](7-TimeSeries/2-ARIMA/README.md) | Francesca |
|
|
| 23 | ⚡️ Światowe zużycie energii ⚡️ - prognozowanie szeregów SVR | [Time series](7-TimeSeries/README.md) | Prognozowanie szeregów czasowych za pomocą regresora wektorów nośnych | [Python](7-TimeSeries/3-SVR/README.md) | Anirban |
|
|
| 24 | Wprowadzenie do uczenia przez wzmacnianie | [Reinforcement learning](8-Reinforcement/README.md) | Wprowadzenie do uczenia przez wzmacnianie z użyciem Q-Learning | [Python](8-Reinforcement/1-QLearning/README.md) | Dmitry |
|
|
| 25 | Pomóż Peterowi uniknąć wilka! 🐺 | [Reinforcement learning](8-Reinforcement/README.md) | Reinforcement learning Gym | [Python](8-Reinforcement/2-Gym/README.md) | Dmitry |
|
|
| Postscript | Przykłady i zastosowania ML w świecie rzeczywistym | [ML in the Wild](9-Real-World/README.md) | Ciekawe i pouczające rzeczywiste zastosowania klasycznego ML | [Lesson](9-Real-World/1-Applications/README.md) | Zespół |
|
|
| Postscript | Debugowanie modeli ML za pomocą dashboardu RAI | [ML in the Wild](9-Real-World/README.md) | Debugowanie modeli w uczeniu maszynowym za pomocą komponentów dashboardu Responsible AI | [Lesson](9-Real-World/2-Debugging-ML-Models/README.md) | Ruth Yakubu |
|
|
|
|
> [znajdź wszystkie dodatkowe materiały 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 korzystać z tej dokumentacji offline, używając [Docsify](https://docsify.js.org/#/). Skuś się na forka tego repozytorium, [zainstaluj Docsify](https://docsify.js.org/#/quickstart) na swoim lokalnym komputerze, a następnie w katalogu głównym tego repozytorium wpisz `docsify serve`. Strona będzie udostępniona 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 także inne kursy! Sprawdź:
|
|
|
|
<!-- CO-OP TRANSLATOR OTHER COURSES START -->
|
|
### LangChain
|
|
[](https://aka.ms/langchain4j-for-beginners)
|
|
[](https://aka.ms/langchainjs-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
|
[](https://github.com/microsoft/langchain-for-beginners?WT.mc_id=m365-94501-dwahlin)
|
|
---
|
|
|
|
### Azure / Edge / MCP / Agents
|
|
[](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 Sztucznej Inteligencji Generatywnej
|
|
[](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)
|
|
|
|
---
|
|
|
|
### Podstawowe nauczanie
|
|
[](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)
|
|
<!-- CO-OP TRANSLATOR OTHER COURSES END -->
|
|
|
|
## Uzyskiwanie pomocy
|
|
|
|
Jeśli utkniesz lub masz pytania dotyczące budowania aplikacji AI. Dołącz do innych uczących się i doświadczonych deweloperów w dyskusjach na temat MCP. To wspierająca społeczność, gdzie pytania są mile widziane, a wiedza chętnie dzielona.
|
|
|
|
[](https://discord.gg/nTYy5BXMWG)
|
|
|
|
Jeśli masz uwagi dotyczące produktu lub napotkasz błędy podczas tworzenia, odwiedź:
|
|
|
|
[](https://aka.ms/foundry/forum)
|
|
## Dodatkowe wskazówki do nauki
|
|
|
|
- Przeglądaj notatniki po każdej lekcji, aby lepiej zrozumieć materiał.
|
|
- Ćwicz samodzielne wdrażanie algorytmów.
|
|
- Eksploruj rzeczywiste zbiory danych wykorzystując poznane koncepcje.
|
|
|
|
---
|
|
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER START -->
|
|
**Zastrzeżenie**:
|
|
Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczeń AI [Co-op Translator](https://github.com/Azure/co-op-translator). Chociaż dokładamy starań, aby tłumaczenie było jak najdokładniejsze, prosimy mieć na uwadze, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w języku źródłowym należy uważać za źródło nadrzędne. W przypadku informacji krytycznych zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.
|
|
<!-- CO-OP TRANSLATOR DISCLAIMER END --> |