ML-For-Beginners/translations/cs

🌐 Podpora více jazyků

Podporováno přes GitHub Action (automatizováno 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 naklonovat lokálně?

Toto repozitář obsahuje více než 50 jazykových překladů, což výrazně zvětšuje velikost ke stažení. Pro naklonování 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"

Tím získáte vše potřebné pro absolvování kurzu s mnohem rychlejším stažením.

Přidejte se k naší komunitě

Na Discordu probíhá série Learn with AI, dozvíte se více a připojit se můžete na Learn with AI Series od 18. do 30. září 2025. Získáte tipy a triky jak používat GitHub Copilot pro Data Science.

Strojové učení pro začátečníky – vzdělávací program

🌍 Procestujte svět a prozkoumejte strojové učení prostřednictvím světových kultur 🌍

Cloud Advocates v Microsoftu s potěšením nabízejí 12týdenní vzdělávací program o 26 lekcích zaměřený na strojové učení. V tomto programu se naučíte to, čemu se někdy říká klasické strojové učení, přičemž jako knihovnu použijeme převážně Scikit-learn a vyhneme se hlubokému učení, které je předmětem našeho AI for Beginners programu. Tyto lekce můžete také kombinovat s naším 'Data Science for Beginners' kurzem.

Cestujte s námi po celém světě a aplikujte tyto klasické techniky na data z různých oblastí světa. Každá lekce obsahuje před- a po-lekční kvízy, psané instrukce k dokončení lekce, řešení, úkoly a další. Naše projektově orientovaná pedagogika vám umožňuje učit se při tvorbě, což je osvědčený způsob, jak si nové dovednosti lépe osvojit.

✍️ 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 děkujeme ilustrátorům Tomomi Imura, Dasani Madipalli a Jen Looper

🙏 Zvláštní poděkování 🙏 patří Microsoft Student Ambassador autorům, recenzentům a přispěvatelům obsahu, 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. Forkněte repozitář: Klikněte na tlačítko "Fork" v pravém horním rohu této stránky.
2. Naklonujte repozitář: git clone https://github.com/microsoft/ML-For-Beginners.git

všechny doplňkové zdroje k tomuto kurzu najdete v naší kolekci Microsoft Learn

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

Studenti, pro využití tohoto programu si forknete celý repozitář na svůj vlastní GitHub účet a plňte cvičení sami nebo ve skupině:

• Začněte přednáškovým kvízem.
• Přečtěte si přednášku a dokončete aktivity, zastavujte se a zamýšlejte u každé kontroly znalostí.
• Snažte se projekty vytvořit pochopením lekcí místo pouhého spuštění kódu řešení; nicméně ten je k dispozici ve složkách /solution u každé lekce zaměřené na projekty.
• Dejte si po přednášce kvíz.
• Vyřešte výzvu.
• Dokončete zadání.
• Po dokončení skupiny lekcí navštivte Diskusní fórum a "učte se nahlas" vyplněním příslušné rubriky PAT. PAT je nástroj pro hodnocení pokroku – rubrika, kterou vyplníte k dalšímu prohloubení učení. Můžete také reagovat na další PATy, abychom se učili společně.

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

Učitelé, do pro vás máme zahrnuté některé návrhy jak využívat tento vzdělávací program.

---

Video průvodci

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

---

Seznamte se s týmem

Gif vytvořil Mohit Jaisal

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

---

Pedagogika

Při tvorbě tohoto programu jsme zvolili dvě pedagogické zásady: zajištění praktické projektové výuky a časté kvízy. Navíc má celý program společné téma pro zajištění soudržnosti.

Zajištěním sladění obsahu s projekty je proces pro studenty zajímavější a retence konceptů se zlepší. Nízkorychlostní kvíz před lekcí nastaví motivaci studenta k učení a druhý kvíz po lekci podporuje další zapamatování. Program je navržen jako flexibilní a zábavný, lze ho absolvovat celý nebo po částech. Projekty začínají jednoduše a postupně se během 12týdenního cyklu zvyšuje jejich složitost. Program obsahuje také posléze doplněk o použití ML v reálném světě, který lze použít jako bonusové zadání nebo základ pro diskusi.

Najdete zde naše Kodex chování, Příspěvky, Překlady a Řešení problémů. Vítáme vaše konstruktivní připomínky!

Každá lekce obsahuje

• volitelnou skicu v poznámce
• volitelné doplňkové video
• video průvodce (jen některé lekce)
• přednáškový warmup kvíz
• psanou lekci
• u projektových lekcí detailní návod krok za krokem, jak projekt vytvořit
• kontroly znalostí
• výzvu
• doplňující četbu
• úkol
• po-přednáškový kvíz

Poznámka o jazycích: Tyto lekce jsou primárně napsány 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. Mají příponu .rmd, která představuje R Markdown soubor, což lze jednoduše definovat jako vložení kódových bloků (v R nebo jiných jazycích) a YAML hlavičky (která určuje, jak formátovat výstupy jako PDF) do Markdown dokumentu. Jako takový slouží jako vzorový autorský rámec pro datovou vědu, protože vám umožňuje kombinovat váš kód, jeho výstup a vaše myšlenky tím, že vám umožní je zapisovat v Markdownu. Navíc lze dokumenty R Markdown vyrenderovat do výstupních formátů jako PDF, HTML nebo Word.

Poznámka o kvízech: Všechny kvízy jsou obsaženy ve složce Quiz App, celkem je zde 52 kvízů po třech otázkách. Jsou propojené z lekcí, ale kvízovou aplikaci lze spustit lokálně; následujte instrukce ve složce quiz-app pro lokální hostování nebo nasazení na Azure.

Číslo lekce	Téma	Skupina lekcí	Učební cíle	Propojená lekce	Autor
01	Úvod do strojového učení	Úvod	Naučit se základní koncepty strojového učení	Lekce	Muhammad
02	Historie strojového učení	Úvod	Naučit se historii 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 tvorbě a aplikaci ML modelů?	Lekce	Tomomi
04	Techniky strojového učení	Úvod	Jaké techniky používají výzkumníci ML k vytváření ML modelů?	Lekce	Chris a Jen
05	Úvod do regrese	Regrese	Začít s Pythonem a Scikit-learn pro regresní modely	Python • R	Jen • Eric Wanjau
06	Ceny dýní v Severní Americe 🎃	Regrese	Vizualizovat a čistit data pro přípravu na ML	Python • R	Jen • Eric Wanjau
07	Ceny dýní v Severní Americe 🎃	Regrese	Vytvořit lineární a polynomiální regresní modely	Python • R	Jen a Dmitry • Eric Wanjau
08	Ceny dýní v Severní Americe 🎃	Regrese	Vytvořit logistický regresní model	Python • R	Jen • Eric Wanjau
09	Webová aplikace 🔌	Web App	Vytvořit webovou aplikaci pro použití vašeho natrénovaného modelu	Python	Jen
10	Úvod do klasifikace	Klasifikace	Čistit, připravit a vizualizovat data; úvod do klasifikace	Python • R	Jen a Cassie • Eric Wanjau
11	Lahodné asijské a indické kuchyně 🍜	Klasifikace	Úvod do klasifikátorů	Python • R	Jen a Cassie • Eric Wanjau
12	Lahodné asijské a indické kuchyně 🍜	Klasifikace	Další klasifikátory	Python • R	Jen a Cassie • Eric Wanjau
13	Lahodné asijské a indické kuchyně 🍜	Klasifikace	Vytvořit doporučovací webovou aplikaci pomocí vašeho modelu	Python	Jen
14	Úvod do shlukování	Shlukování	Čistit, připravit a vizualizovat data; Úvod do shlukování	Python • R	Jen • Eric Wanjau
15	Prozkoumávání nigerických hudebních chutí 🎧	Shlukování	Prozkoumat metodu shlukování K-Means	Python • R	Jen • Eric Wanjau
16	Úvod do zpracování přirozeného jazyka ☕️	Zpracování přirozeného jazyka	Naučit se základy NLP vytvořením jednoduchého bota	Python	Stephen
17	Běžné NLP úkoly ☕️	Zpracování přirozeného jazyka	Prohloubit své znalosti NLP pochopením běžných úkolů potřebných pro práci s jazykovými strukturami	Python	Stephen
18	Překlad a analýza sentimentu ♥️	Zpracování přirozeného jazyka	Překlad a analýza sentimentu na základě Jane Austen	Python	Stephen
19	Romantické hotely Evropy ♥️	Zpracování přirozeného jazyka	Analýza sentimentu na základě hodnocení hotelů 1	Python	Stephen
20	Romantické hotely Evropy ♥️	Zpracování přirozeného jazyka	Analýza sentimentu na základě hodnocení hotelů 2	Python	Stephen
21	Úvod do prognózování časových řad	Časové řady	Úvod do prognózování časových řad	Python	Francesca
22	⚡️ Světová spotřeba energie ⚡️ - prognózování časových řad s ARIMA	Časové řady	Prognózování časových řad pomocí ARIMA	Python	Francesca
23	⚡️ Světová spotřeba energie ⚡️ - prognózování časových řad s SVR	Časové řady	Prognózování 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 Petrovi vyhnout se vlkovi! 🐺	Posilované učení	Posilované učení ve Gymu	Python	Dmitry
Postscript	Scénáře a aplikace ML v reálném světě	ML v praxi	Zajímavé a odhalující aplikace klasického ML v reálném světě	Lekce	Tým
Postscript	Ladění modelů v ML pomocí RAI dashboardu	ML v praxi	Ladění modelů v strojovém učení pomocí komponent dashboardu Responsible AI	Lekce	Ruth Yakubu

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

Offline přístup

Tuto dokumentaci můžete spustit offline pomocí Docsify. Vytvořte fork tohoto repozitáře, nainstalujte Docsify na svůj lokální počítač a pak v kořenové složce tohoto repozitáře zadejte příkaz docsify serve. Web bude dostupný na portu 3000 na vašem localhostu: localhost:3000.

PDF

Najdete pdf osnovy s odkazy zde.

🎒 Další kurzy

Náš tým vytváří i další kurzy! Podívejte se:

LangChain

Azure / Edge / MCP / Agenti

---

Série Generativní AI

---

Základní učení

---

Série Copilot

Získání pomoci

Pokud se zaseknete nebo máte otázky při učení strojového učení nebo při vytváření AI aplikací, nebojte se — pomoc je k dispozici.

Můžete se připojit k diskuzím s dalšími studenty a vývojáři, klást otázky a sdílet své nápady s komunitou.

• Připojte se ke komunitě, abyste mohli klást otázky a učit se s ostatními
• Diskutujte o konceptech strojového učení a nápadech na projekty
• Získejte vedení od zkušených vývojářů

Podpůrná komunita je skvělý způsob, jak rozvíjet své dovednosti a rychleji řešit problémy.

Microsoft Foundry Discord Community

Pokud narazíte na chyby, problémy nebo máte návrhy na vylepšení, můžete také otevřít Issue v tomto repozitáři a nahlásit problém.

Pro zpětnou vazbu k produktu nebo pro hledání existujících příspěvků v komunitě navštivte Vývojářské fórum:

Další tipy pro učení

• Po každé lekci si projděte poznámkové bloky 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. I když usilujeme o přesnost, berte prosím na vědomí, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho mateřském jazyce by měl být považován za autoritativní zdroj. Pro zásadní informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakákoliv nedorozumění nebo mylné výklady vyplývající z použití tohoto překladu.