ML-For-Beginners/translations/pl

🌐 Wielojęzyczne wsparcie

Wsparcie przez GitHub Action (Automatyczne i Zawsze Aktualne)

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

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:

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 zapewnia wszystko, czego potrzebujesz, aby ukończyć kurs z dużo szybszym pobieraniem.

Dołącz do naszej społeczności

Prowadzimy serię Discord „Ucz się z AI”, dowiedz się więcej i dołącz do nas na Learn with AI Series 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. Połącz te lekcje z naszym programem Data Science dla początkujących!

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

🔧 Potrzebujesz pomocy? Sprawdź nasz Przewodnik rozwiązywania problemów z rozwiązaniami najczęstszych problemów z instalacją, konfiguracją i uruchamianiem lekcji.

Studenci, 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 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.

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 po kliknięciu poniższego obrazka.

---

Poznaj zespół

Gif autorstwa Mohit Jaisal

🎥 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, Wkład w projekt, Tłumaczenia i Przewodnik rozwiązywania problemów. Czekamy na Twoją konstruktywną opinię!

Każda lekcja zawiera

• opcjonalną notatkę szkicową
• opcjonalne wideo uzupełniające
• wideo instruktażowe (tylko w niektórych lekcjach)
• quiz rozgrzewający przed lekcją
• pisemną lekcję
• w lekcjach opartych na projekcie: instrukcje krok po kroku jak zbudować projekt
• kontrole wiedzy
• wyzwanie
• lekturę uzupełniającą
• zadanie domowe
• quiz po lekcji

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, 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	Poznaj podstawowe koncepcje uczenia maszynowego	Lesson	Muhammad
02	Historia uczenia maszynowego	Introduction	Poznaj historię stojącą za tą dziedziną	Lesson	Jen i Amy
03	Sprawiedliwość a uczenie maszynowe	Introduction	Jakie są ważne kwestie filozoficzne związane ze sprawiedliwością, które powinni rozważać studenci budujący i stosujący modele ML?	Lesson	Tomomi
04	Techniki uczenia maszynowego	Introduction	Jakich technik używają badacze ML do budowy modeli?	Lesson	Chris i Jen
05	Wprowadzenie do regresji	Regression	Zacznij z Pythonem i Scikit-learn dla modeli regresji	Python • R	Jen • Eric Wanjau
06	Ceny dyni w Ameryce Północnej 🎃	Regression	Wizualizuj i czyść dane przygotowując się do ML	Python • R	Jen • Eric Wanjau
07	Ceny dyni w Ameryce Północnej 🎃	Regression	Buduj modele regresji liniowej i wielomianowej	Python • R	Jen i Dmitry • Eric Wanjau
08	Ceny dyni w Ameryce Północnej 🎃	Regression	Zbuduj model regresji logistycznej	Python • R	Jen • Eric Wanjau
09	Aplikacja Webowa 🔌	Web App	Zbuduj aplikację webową do wykorzystania swojego wytrenowanego modelu	Python	Jen
10	Wprowadzenie do klasyfikacji	Classification	Czyść, przygotuj i wizualizuj dane; wprowadzenie do klasyfikacji	Python • R	Jen i Cassie • Eric Wanjau
11	Pyszna kuchnia azjatycka i indyjska 🍜	Classification	Wprowadzenie do klasyfikatorów	Python • R	Jen i Cassie • Eric Wanjau
12	Pyszna kuchnia azjatycka i indyjska 🍜	Classification	Więcej klasyfikatorów	Python • R	Jen i Cassie • Eric Wanjau
13	Pyszna kuchnia azjatycka i indyjska 🍜	Classification	Zbuduj webową aplikację rekomendacyjną używając swojego modelu	Python	Jen
14	Wprowadzenie do grupowania	Clustering	Czyść, przygotuj i wizualizuj dane; wprowadzenie do grupowania	Python • R	Jen • Eric Wanjau
15	Poznawanie nigeryjskich gustów muzycznych 🎧	Clustering	Poznaj metodę grupowania K-średnich	Python • R	Jen • Eric Wanjau
16	Wprowadzenie do przetwarzania języka naturalnego ☕️	Natural language processing	Naucz się podstaw NLP, budując prostego bota	Python	Stephen
17	Typowe zadania NLP ☕️	Natural language processing	Pogłęb swoją wiedzę o NLP, poznając typowe zadania związane ze strukturą języka	Python	Stephen
18	Tłumaczenie i analiza sentymentu ♥️	Natural language processing	Tłumaczenie i analiza sentymentu z Jane Austen	Python	Stephen
19	Romantyczne hotele Europy ♥️	Natural language processing	Analiza sentymentu na podstawie recenzji hoteli 1	Python	Stephen
20	Romantyczne hotele Europy ♥️	Natural language processing	Analiza sentymentu na podstawie recenzji hoteli 2	Python	Stephen
21	Wprowadzenie do prognozowania szeregów czasowych	Time series	Wprowadzenie do prognozowania szeregów czasowych	Python	Francesca
22	⚡️ Światowe zużycie energii ⚡️ - prognozowanie szeregów ARIMA	Time series	Prognozowanie szeregów czasowych z wykorzystaniem ARIMA	Python	Francesca
23	⚡️ Światowe zużycie energii ⚡️ - prognozowanie szeregów SVR	Time series	Prognozowanie szeregów czasowych za pomocą regresora wektorów nośnych	Python	Anirban
24	Wprowadzenie do uczenia przez wzmacnianie	Reinforcement learning	Wprowadzenie do uczenia przez wzmacnianie z użyciem Q-Learning	Python	Dmitry
25	Pomóż Peterowi uniknąć wilka! 🐺	Reinforcement learning	Reinforcement learning Gym	Python	Dmitry
Postscript	Przykłady i zastosowania ML w świecie rzeczywistym	ML in the Wild	Ciekawe i pouczające rzeczywiste zastosowania klasycznego ML	Lesson	Zespół
Postscript	Debugowanie modeli ML za pomocą dashboardu RAI	ML in the Wild	Debugowanie modeli w uczeniu maszynowym za pomocą komponentów dashboardu Responsible AI	Lesson	Ruth Yakubu

znajdź wszystkie dodatkowe materiały do tego kursu w naszej kolekcji Microsoft Learn

Dostęp offline

Możesz korzystać z tej dokumentacji offline, używając Docsify. Skuś się na forka tego repozytorium, zainstaluj Docsify 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.

🎒 Inne kursy

Nasz zespół tworzy także inne kursy! Sprawdź:

LangChain

Azure / Edge / MCP / Agents

---

Seria Sztucznej Inteligencji Generatywnej

---

Podstawowe nauczanie

---

Seria Copilot

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.

Jeśli masz uwagi dotyczące produktu lub napotkasz błędy podczas tworzenia, odwiedź:

Dodatkowe wskazówki do nauki

• Przeglądaj notatniki po każdej lekcji, aby lepiej zrozumieć materiał.
• Ćwicz samodzielne wdrażanie algorytmów.
• Eksploruj rzeczywiste zbiory danych wykorzystując poznane koncepcje.

---

Zastrzeżenie:
Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczeń AI 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.