ML-For-Beginners/translations/cs

🌐 Podpora více jazyků

Podporováno prostřednictvím GitHub Action (automatické a vždy aktuální)

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 | Khmer | 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

Raději chcete klonovat lokálně?

Tento repozitář zahrnuje více než 50 jazykových překladů, což výrazně zvětšuje velikost stahování. Pro klonování bez překladů použijte sparse checkout:

Bash / macOS / Linux:

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):

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 vám poskytne vše potřebné k dokončení kurzu a mnohem rychlejší stažení.

Připojte se k naší komunitě

Máme probíhající sérii Learn with AI na Discordu, dozvíte se více a připojte se k nám na Learn with AI Series od 18. do 30. září 2025. Získáte tipy a triky pro používání GitHub Copilot pro Data Science.

Strojové učení pro začátečníky - učební plán

🌍 Cestujte po celém světě, zatímco zkoumáme strojové učení prostřednictvím kultur světa 🌍

Cloud Advocates ve společnosti Microsoft vám s potěšením představují 12týdenní učební plán se 26 lekcemi, které se věnují strojovému učení. V tomto učebním plánu se naučíte, co se někdy nazývá klasické strojové učení, přičemž používáme především knihovnu Scikit-learn a vyhýbáme se hlubokému učení, které je pokryto v našem učebním plánu AI pro začátečníky. Tyto lekce zkombinujte také s naším učebním plánem Data Science pro začátečníky.

Cestujte s námi po celém světě, když aplikujeme tyto klasické techniky na data z mnoha oblastí světa. Každá lekce obsahuje před a po lekci kvízy, písemné pokyny k dokončení lekce, řešení, úkol a další. Naše projektově orientovaná pedagogika vám umožňuje učit se při budování, což je osvědčený způsob, jak nové znalosti "ulpí".

✍️ Srdečné 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

🎨 Také díky našim ilustrátorům Tomomi Imura, Dasani Madipalli a Jen Looper

🙏 Zvláštní díky 🙏 našim autorům, recenzentům a přispěvatelům obsahu ze studentské ambasady Microsoftu, zejména Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila a Snigdha Agarwal

🤩 Extra poděkování patří také ambasadorům Microsoft Student Ericu Wanjauovi, Jasleen Sondhi a Vidushi Guptě za naše lekce v jazyce R!

Začínáme

Postupujte takto:

1. Vytvořte Fork repozitáře: Klikněte na tlačítko „Fork“ v pravém horním rohu této stránky.
2. Klonujte repozitář: git clone https://github.com/microsoft/ML-For-Beginners.git

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

🔧 Potřebujete pomoc? Podívejte se do našeho Průvodce řešením problémů pro řešení běžných problémů s instalací, nastavením a spouštěním lekcí.

Studenti, pro použití tohoto učebního plánu si vytvořte fork celého repozitáře na svůj vlastní GitHub účet a cvičení dokončujte sami nebo ve skupině:

• Začněte před-lecturním kvízem.
• Přečtěte si lekci a dokončete aktivity, zastavujte se a přemýšlejte u každé kontroly znalostí.
• Pokuste se vytvářet projekty tak, že pochopíte lekce místo pouhého spuštění řešení; zda řešení najdete v adresáři /solution v každé lekci orientované na projekt.
• Udělejte post-lecturní kvíz.
• Dokončete výzvu.
• Dokončete úkol.
• Po dokončení skupiny lekcí navštivte Diskusní fórum a „učte se nahlas“ vyplněním příslušného hodnotícího formuláře PAT. 'PAT' je nástroj hodnocení pokroku, který vyplníte pro zvýšení svého učení. Můžete také reagovat na další PATy, abychom se mohli učit společně.

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

Učitelé, máme několik doporučení o tom, jak používat tento učební plán.

---

Video průvodci

Některé lekce jsou k dispozici jako krátká videa. Najdete je přímo v lekcích nebo na playlistu ML for Beginners na kanálu Microsoft Developer na YouTube kliknutím na obrázek níže.

---

Seznamte se s týmem

Gif od Mohit Jaisal

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

---

Pedagogika

Při budování tohoto učebního plánu jsme zvolili dva pedagogické principy: zajistit, aby byl praktický a projektově orientovaný a aby obsahoval četné kvízy. Navíc má tento učební plán společné téma pro soudržnost.

Zajištěním souladu obsahu s projekty je proces pro studenty poutavější a zvyšuje se uchování konceptů. Kromě toho nízkorizikový kvíz před lekcí nastavuje studentovi úmysl učit se dané téma, zatímco druhý kvíz po lekci zajišťuje další uchování znalostí. Tento učební plán je navržen tak, aby byl flexibilní a zábavný a může být absolvován celý nebo částečně. Projekty začínají malé a ke konci 12týdenního cyklu se postupně stávají složitějšími. Tento učební plán také obsahuje poscriptum o reálných aplikacích ML, které může být použito jako extra kredit nebo jako základ pro diskusi.

Najděte naše Pravidla chování, Příspěvky, Překlady a Řešení problémů. Vítáme vaši konstruktivní zpětnou vazbu!

Každá lekce obsahuje

• volitelnou sketchnotu
• volitelné doplňkové video
• video průvodce (jen některé lekce)
• před-lecturní rozcvičovací kvíz
• písemnou lekci
• u lekcí orientovaných na projekty krok za krokem průvodce, jak projekt vytvořit
• kontroly znalostí
• výzvu
• doplňkové čtení
• úkol
• post-lecturní kvíz

Poznámka o jazycích: Tyto lekce jsou primárně napsané v Pythonu, ale mnoho z nich je také dostupných v R. Pro dokončení lekce v R přejděte do složky /solution a hledejte lekce v R. Ty mají příponu .rmd, která představuje R Markdown soubor, což lze jednoduše definovat jako vložení kódových bloků (v R nebo jiných jazycích) a YAML záhlaví (které určuje, jak formátovat výstupy jako PDF) v rámci Markdown dokumentu. Takto slouží jako příkladný autorský rámec pro datovou vědu, protože umožňuje kombinovat váš kód, jeho výstup a vaše myšlenky tím, že vám dovolí je psát v Markdownu. Navíc R Markdown dokumenty lze vyrenderovat do výstupních formátů, jako je PDF, HTML nebo Word.

Poznámka o kvízech: Všechny kvízy jsou obsaženy ve složce Quiz App, dohromady 52 kvízů po třech otázkách. Jsou propojeny z lekcí, ale kvízovou aplikaci lze spustit lokálně; postupujte podle instrukcí ve složce quiz-app pro lokální hostování nebo nasazení na Azure.

Číslo lekce	Téma	Skupina lekcí	Výukové cíle	Propojená lekce	Autor
01	Úvod do strojového učení	Úvod	Naučte se základní pojmy strojového učení	Lekce	Muhammad
02	Historie strojového učení	Úvod	Seznamte se s historií tohoto oboru	Lekce	Jen a Amy
03	Spravedlnost a strojové učení	Úvod	Jaké jsou důležité filozofické otázky kolem spravedlnosti, které by studenti měli zvážit při vytváření a aplikaci ML modelů?	Lekce	Tomomi
04	Techniky strojového učení	Úvod	Jaké techniky používají výzkumníci strojového učení pro stavbu ML modelů?	Lekce	Chris a Jen
05	Úvod do regrese	Regrese	Začněte s Pythonem a Scikit-learn pro regresní modely	Python • R	Jen • Eric Wanjau
06	Ceny dýní v Severní Americe 🎃	Regrese	Vizualizace a čištění dat pro ML	Python • R	Jen • Eric Wanjau
07	Ceny dýní v Severní Americe 🎃	Regrese	Stavba lineárních a polynomiálních regresních modelů	Python • R	Jen a Dmitry • Eric Wanjau
08	Ceny dýní v Severní Americe 🎃	Regrese	Stavba logistického regresního modelu	Python • R	Jen • Eric Wanjau
09	Webová aplikace 🔌	Web App	Vytvořte webovou aplikaci, která využívá váš vytrénovaný model	Python	Jen
10	Úvod do klasifikace	Klasifikace	Čištění, příprava a vizualizace dat; úvod do klasifikace	Python • R	Jen a Cassie • Eric Wanjau
11	Lahodná asijská a indická kuchyně 🍜	Klasifikace	Úvod do klasifikátorů	Python • R	Jen a Cassie • Eric Wanjau
12	Lahodná asijská a indická kuchyně 🍜	Klasifikace	Další klasifikátory	Python • R	Jen a Cassie • Eric Wanjau
13	Lahodná asijská a indická kuchyně 🍜	Klasifikace	Vytvoření doporučovací webové aplikace s vaším modelem	Python	Jen
14	Úvod do shlukování	Shlukování	Čištění, příprava a vizualizace dat; úvod do shlukování	Python • R	Jen • Eric Wanjau
15	Průzkum nigerijských hudebních chutí 🎧	Shlukování	Prozkoumejte metodu shlukování K-Means	Python • R	Jen • Eric Wanjau
16	Úvod do zpracování přirozeného jazyka ☕️	Zpracování přirozeného jazyka	Naučte se základy NLP vytvořením jednoduchého bota	Python	Stephen
17	Běžné úlohy NLP ☕️	Zpracování přirozeného jazyka	Prohlubte své znalosti NLP pochopením běžných úloh nezbytných pro 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 Evropy ♥️	Zpracování přirozeného jazyka	Analýza sentimentu na recenzích hotelů 1	Python	Stephen
20	Romantické hotely Evropy ♥️	Zpracování přirozeného jazyka	Analýza sentimentu na recenzích hotelů 2	Python	Stephen
21	Úvod do predikce časových řad	Časové řady	Úvod do předpovídání časových řad	Python	Francesca
22	⚡️ Světová spotřeba energie ⚡️ - předpovídání časových řad s ARIMA	Časové řady	Předpovídání časových řad s ARIMA	Python	Francesca
23	⚡️ Světová spotřeba energie ⚡️ - předpovídání časových řad s SVR	Časové řady	Předpovídání časových řad pomocí Support Vector Regressor	Python	Anirban
24	Úvod do posilovaného učení	Posilované učení	Úvod do posilovaného učení s Q-Learning	Python	Dmitry
25	Pomozte Peterovi vyhnout se vlkovi! 🐺	Posilované učení	Posilované učení Gym	Python	Dmitry
Posloupnost	Reálné scénáře a aplikace ML v praxi	ML v praxi	Zajímavé a poučné reálné aplikace klasického ML	Lekce	Tým
Posloupnost	Ladění modelů ML pomocí RAI dashboardu	ML v praxi	Ladění modelů ve strojovém učení pomocí komponent dashboardu Responsible AI	Lekce	Ruth Yakubu

najděte všechny další zdroje k tomuto kurzu v naší kolekci Microsoft Learn

Offline přístup

Tuto dokumentaci můžete spouštět offline pomocí Docsify. Naklonujte si tento repozitář, nainstalujte Docsify na místní počítač a pak v kořenové složce repozitáře zadejte docsify serve. Webová stránka bude dostupná na portu 3000 na vaší lokální adrese: localhost:3000.

PDF

Najděte pdf osnovy s odkazy zde.

🎒 Další kurzy

Náš tým vytváří i další kurzy! Podívejte se:

LangChain

Azure / Edge / MCP / Agents

---

Série Generativní AI

---

Základní učení

---

Série Copilot

Získání pomoci

Pokud se zaseknete nebo máte otázky ohledně vývoje AI aplikací. Připojte se k ostatním studentům a zkušeným vývojářům v diskuzích o MCP. Je to podpůrná komunita, kde jsou otázky vítány a znalosti se sdílejí volně.

Pokud máte zpětnou vazbu k produktu nebo zaznamenáte chyby při vývoji, navštivte:

Další tipy pro učení

• Projděte si bloky poznámek po každé lekci pro lepší pochopení.
• Procvičujte implementaci algoritmů sami.
• Prozkoumejte reálné datové sady pomocí naučených konceptů.

---

Prohlášení o vyloučení odpovědnosti: Tento dokument byl přeložen pomocí AI překladatelské služby Co-op Translator. Ačkoli usilujeme o přesnost, mějte prosím na paměti, že automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakékoli nedorozumění nebo nesprávné interpretace vyplývající z použití tohoto překladu.