ML-For-Beginners/translations/cs

🌐 Podpora více jazyků

Podporováno prostřednictvím GitHub Action (automatizované a vždy aktuální)

French | Spanish | German | Russian | Arabic | Persian (Farsi) | Urdu | Chinese (Simplified) | Chinese (Traditional, Macau) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Taiwan) | Japanese | Korean | Hindi | Bengali | Marathi | Nepali | Punjabi (Gurmukhi) | Portuguese (Portugal) | Portuguese (Brazil) | Italian | Polish | Turkish | Greek | Thai | Swedish | Danish | Norwegian | Finnish | Dutch | Hebrew | Vietnamese | Indonesian | Malay | Tagalog (Filipino) | Swahili | Hungarian | Czech | Slovak | Romanian | Bulgarian | Serbian (Cyrillic) | Croatian | Slovenian | Ukrainian | Burmese (Myanmar)

Připojte se ke komunitě

Strojové učení pro začátečníky - učební plán

🌍 Cestujte po světě, zatímco se učíte strojové učení prostřednictvím světových kultur 🌍

Cloud Advocates ve společnosti Microsoft s potěšením nabízejí 12týdenní učební plán s 26 lekcemi zaměřenými na strojové učení. V tomto učebním plánu se naučíte, co se někdy nazývá klasické strojové učení, především pomocí knihovny Scikit-learn a bez použití hlubokého učení, které je pokryto v našem učebním plánu AI pro začátečníky. Tyto lekce můžete kombinovat s naším učebním plánem Data Science 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 prostřednictvím tvorby, což je osvědčený způsob, jak si osvojit nové dovednosti.

✍️ 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

🎨 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 tento učební plán, 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 spouštěli řešení kódu; tento kód 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, který je rubrikou, kterou vyplníte pro další rozvoj svého učení. Můžete také reagovat na jiné PAT, abychom se učili společně.

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

Učitelé, zahrnuli jsme několik návrhů, jak použít tento učební plán.

---

Video průvodce

Některé lekce jsou dostupné jako krátká videa. Všechna tato videa najdete přímo v lekcích nebo na playlistu ML pro začátečníky na YouTube kanálu 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 ho vytvořili!

---

Pedagogika

Při vytváření tohoto učebního plánu jsme zvolili dva pedagogické principy: zajistit, aby byl praktický projektově orientovaný a aby obsahoval časté kvízy. Kromě toho má tento učební plán společné téma, které mu dodává soudržnost.

Zajištěním toho, že obsah odpovídá projektům, je proces pro studenty více poutavý a zlepšuje se uchování konceptů. Nízkostresový kvíz před hodinou nastavuje záměr studenta na učení daného tématu, zatímco druhý kvíz po hodině zajišťuje další uchování. Tento učební plán byl navržen tak, aby byl flexibilní a zábavný a mohl být absolvován celý nebo jen jeho část. Projekty začínají malými úkoly a postupně se stávají složitějšími na konci 12týdenního cyklu. Tento učební plán také obsahuje dodatek o reálných aplikacích ML, který může být použit jako extra kredit nebo jako základ pro diskusi.

Najděte náš Kodex chování, Pokyny pro přispívání a Pokyny pro překlad. Vaši konstruktivní zpětnou vazbu vítáme!

Každá lekce obsahuje

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

Poznámka k jazykům: Tyto lekce jsou primárně napsány 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. Tyto lekce obsahují příponu .rmd, která představuje R Markdown soubor, který lze jednoduše definovat jako kombinaci code chunks (R nebo jiných jazyků) a YAML header (který určuje, jak formátovat výstupy, jako je PDF) v Markdown dokumentu. Jako takový slouží jako příkladný autorizační rámec pro datovou vědu, protože vám umožňuje kombinovat váš kód, jeho výstup a vaše myšlenky tím, že je zapíšete 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 pro lokální hostování nebo nasazení na Azure.

Číslo lekce	Téma	Skupina lekcí	Cíle učení	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 ve strojovém učení	Úvod	Jaké jsou důležité filozofické otázky týkající se spravedlnosti, které by studenti měli zvážit při vytváření a aplikaci ML modelů?	Lekce	Tomomi
04	Techniky strojového učení	Introduction	Jaké techniky používají výzkumníci ML k vytváření modelů strojového učení?	Lesson	Chris a Jen
05	Úvod do regrese	Regression	Začněte s Pythonem a Scikit-learn pro regresní modely	Python • R	Jen • Eric Wanjau
06	Ceny dýní v Severní Americe 🎃	Regression	Vizualizace a čištění dat jako příprava na ML	Python • R	Jen • Eric Wanjau
07	Ceny dýní v Severní Americe 🎃	Regression	Vytvoření lineárních a polynomiálních regresních modelů	Python • R	Jen a Dmitry • Eric Wanjau
08	Ceny dýní v Severní Americe 🎃	Regression	Vytvoření logistického regresního modelu	Python • R	Jen • Eric Wanjau
09	Webová aplikace 🔌	Web App	Vytvoření webové aplikace pro použití vašeho trénovaného modelu	Python	Jen
10	Úvod do klasifikace	Classification	Čištění, příprava a vizualizace dat; úvod do klasifikace	Python • R	Jen a Cassie • Eric Wanjau
11	Lahodná asijská a indická kuchyně 🍜	Classification	Úvod do klasifikátorů	Python • R	Jen a Cassie • Eric Wanjau
12	Lahodná asijská a indická kuchyně 🍜	Classification	Další klasifikátory	Python • R	Jen a Cassie • Eric Wanjau
13	Lahodná asijská a indická kuchyně 🍜	Classification	Vytvoření doporučovací webové aplikace pomocí vašeho modelu	Python	Jen
14	Úvod do shlukování	Clustering	Čištění, příprava a vizualizace dat; úvod do shlukování	Python • R	Jen • Eric Wanjau
15	Zkoumání hudebních chutí v Nigérii 🎧	Clustering	Zkoumání metody shlukování K-Means	Python • R	Jen • Eric Wanjau
16	Úvod do zpracování přirozeného jazyka ☕️	Natural language processing	Naučte se základy NLP vytvořením jednoduchého bota	Python	Stephen
17	Běžné úkoly NLP ☕️	Natural language processing	Prohloubení znalostí NLP pochopením běžných úkolů při práci s jazykovými strukturami	Python	Stephen
18	Překlad a analýza sentimentu ♥️	Natural language processing	Překlad a analýza sentimentu s Jane Austen	Python	Stephen
19	Romantické hotely v Evropě ♥️	Natural language processing	Analýza sentimentu s recenzemi hotelů 1	Python	Stephen
20	Romantické hotely v Evropě ♥️	Natural language processing	Analýza sentimentu s recenzemi hotelů 2	Python	Stephen
21	Úvod do předpovědi časových řad	Time series	Úvod do předpovědi časových řad	Python	Francesca
22	⚡️ Světová spotřeba energie ⚡️ - předpověď časových řad s ARIMA	Time series	Předpověď časových řad s ARIMA	Python	Francesca
23	⚡️ Světová spotřeba energie ⚡️ - předpověď časových řad s SVR	Time series	Předpověď časových řad s Support Vector Regressor	Python	Anirban
24	Úvod do posilovaného učení	Reinforcement learning	Úvod do posilovaného učení s Q-Learning	Python	Dmitry
25	Pomozte Petrovi vyhnout se vlkovi! 🐺	Reinforcement learning	Posilované učení Gym	Python	Dmitry
Postscript	Scénáře a aplikace ML v reálném světě	ML in the Wild	Zajímavé a odhalující aplikace klasického ML v reálném světě	Lesson	Tým
Postscript	Ladění modelů ML pomocí RAI dashboardu	ML in the Wild	Ladění modelů strojového učení pomocí komponent Responsible AI dashboardu	Lesson	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 kurikula s odkazy zde.

🎒 Další kurzy

Náš tým vytváří další kurzy! Podívejte se na:

• Generativní AI pro začátečníky
• Generativní AI pro začátečníky .NET
• Generativní AI s JavaScriptem
• Generativní AI s Javou
• AI pro začátečníky
• Data Science pro začátečníky
• ML pro začátečníky
• Kybernetická bezpečnost pro začátečníky
• Webový vývoj pro začátečníky
• IoT pro začátečníky
• Vývoj XR pro začátečníky
• Ovládnutí GitHub Copilot pro párové programování
• Ovládnutí GitHub Copilot pro vývojáře C#/.NET
• Vyberte si vlastní dobrodružství s Copilotem

---

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