ML-For-Beginners/translations/pl

🌐 Wsparcie wielojęzyczne

Obsługiwane za pomocą GitHub Action (Automatyczne i zawsze aktualne)

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)

Dołącz do społeczności

Uczenie maszynowe dla początkujących - Program nauczania

🌍 Podróżuj po świecie, poznając uczenie maszynowe przez pryzmat kultur świata 🌍

Zespół Cloud Advocates w Microsoft z przyjemnością oferuje 12-tygodniowy, 26-lekcyjny program nauczania poświęcony uczeniu maszynowemu. W tym kursie poznasz to, co czasami nazywane jest klasycznym uczeniem maszynowym, korzystając głównie z biblioteki Scikit-learn i unikając głębokiego uczenia, które jest omówione w naszym programie "AI dla początkujących". Połącz te lekcje z naszym programem "Data Science dla początkujących"!

Podróżuj z nami po świecie, stosując klasyczne techniki do danych z różnych regionów świata. Każda lekcja zawiera quizy przed i po lekcji, pisemne instrukcje do realizacji lekcji, rozwiązanie, zadanie i wiele więcej. Nasza metoda oparta na projektach pozwala uczyć się poprzez tworzenie, co jest sprawdzonym sposobem na utrwalenie nowych umiejętności.

✍️ Wielkie 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 dla naszych ilustratorów Tomomi Imura, Dasani Madipalli i Jen Looper

🙏 Specjalne podziękowania 🙏 dla naszych autorów, recenzentów i współtwórców treści z Microsoft Student Ambassador, w szczególności Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila i Snigdha Agarwal

🤩 Dodatkowe podziękowania dla Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi i Vidushi Gupta za lekcje w R!

Rozpoczęcie pracy

Wykonaj następujące kroki:

1. Sforkuj 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 do tego kursu w naszej kolekcji Microsoft Learn

Studenci, aby korzystać z tego programu nauczania, sforkuj całe repozytorium na swoje konto GitHub i wykonuj ćwiczenia samodzielnie lub w grupie:

• Rozpocznij od quizu przed lekcją.
• Przeczytaj lekcję i wykonaj działania, zatrzymując się i zastanawiając przy każdym sprawdzeniu wiedzy.
• Spróbuj stworzyć projekty, rozumiejąc lekcje, zamiast uruchamiać kod rozwiązania; jednakże kod ten jest dostępny w folderach /solution w każdej lekcji projektowej.
• Wykonaj quiz po lekcji.
• Wykonaj wyzwanie.
• Wykonaj zadanie.
• Po ukończeniu grupy lekcji odwiedź Forum dyskusyjne i "ucz się na głos", wypełniając odpowiedni rubrykę PAT. PAT to narzędzie oceny postępów, które wypełniasz, aby pogłębić swoją naukę. Możesz także reagować na inne PAT, abyśmy mogli uczyć się razem.

Do dalszej nauki polecamy te moduły i ścieżki nauki Microsoft Learn.

Nauczyciele, zamieściliśmy kilka sugestii, jak korzystać z tego programu nauczania.

---

Przewodniki wideo

Niektóre lekcje są dostępne w formie krótkich filmów. Wszystkie znajdziesz w lekcjach lub na playliście ML for Beginners na kanale Microsoft Developer na YouTube, klikając obrazek poniżej.

---

Poznaj zespół

Gif autorstwa Mohit Jaisal

🎥 Kliknij obrazek powyżej, aby obejrzeć film o projekcie i osobach, które go stworzyły!

---

Metodyka nauczania

Podczas tworzenia tego programu nauczania przyjęliśmy dwie zasady dydaktyczne: zapewnienie, że jest on praktyczny i oparty na projektach, oraz że zawiera częste quizy. Dodatkowo, program ten ma wspólny motyw, który nadaje mu spójność.

Zapewniając, że treści są powiązane z projektami, proces nauki staje się bardziej angażujący dla studentów, a przyswajanie koncepcji zostaje wzmocnione. Ponadto quiz o niskiej stawce przed zajęciami ustawia intencję ucznia na naukę tematu, podczas gdy drugi quiz po zajęciach zapewnia dalsze utrwalenie wiedzy. Program ten został zaprojektowany tak, aby był elastyczny i przyjemny, i można go realizować w całości lub częściowo. Projekty zaczynają się od prostych i stają się coraz bardziej złożone pod koniec 12-tygodniowego cyklu. Program ten zawiera również postscriptum na temat rzeczywistych zastosowań ML, które można wykorzystać jako dodatkowe zadanie lub jako podstawę do dyskusji.

Znajdź nasz Kodeks postępowania, Wytyczne dotyczące współpracy i Wytyczne dotyczące tłumaczeń. Czekamy na Twoje konstruktywne opinie!

Każda lekcja zawiera

• opcjonalny szkic
• opcjonalne wideo uzupełniające
• przewodnik wideo (tylko niektóre lekcje)
• quiz rozgrzewkowy przed lekcją
• pisemną lekcję
• dla lekcji projektowych, przewodniki krok po kroku, jak zbudować projekt
• sprawdzenie wiedzy
• wyzwanie
• dodatkowe materiały do czytania
• zadanie
• quiz po lekcji

Uwaga o językach: Lekcje te są głównie napisane w Pythonie, ale wiele z nich jest również dostępnych w R. Aby ukończyć lekcję w R, przejdź do folderu /solution i poszukaj lekcji w R. Zawierają one rozszerzenie .rmd, które reprezentuje plik R Markdown, który można zdefiniować jako osadzenie fragmentów kodu (w R lub innych językach) i nagłówka YAML (który określa, jak formatować wyniki, takie jak PDF) w dokumencie Markdown. Dzięki temu stanowi on doskonałe narzędzie do tworzenia treści dla nauki danych, ponieważ pozwala łączyć kod, jego wyniki i przemyślenia, zapisując je w Markdown. Dokumenty R Markdown można renderować do formatów wyjściowych, takich jak PDF, HTML lub Word.

Uwaga o quizach: Wszystkie quizy znajdują się w folderze Quiz App, w sumie 52 quizy po trzy pytania każdy. Są one połączone z lekcjami, ale aplikację quizową można uruchomić lokalnie; postępuj zgodnie z instrukcjami w folderze quiz-app, aby hostować lokalnie lub wdrożyć na Azure.

Numer lekcji	Temat	Grupa lekcji	Cele nauczania	Powiązana lekcja	Autor
01	Wprowadzenie do uczenia maszynowego	Wprowadzenie	Poznaj podstawowe pojęcia związane z uczeniem maszynowym	Lekcja	Muhammad
02	Historia uczenia maszynowego	Wprowadzenie	Poznaj historię stojącą za tą dziedziną	Lekcja	Jen i Amy
03	Sprawiedliwość w uczeniu maszynowym	Wprowadzenie	Jakie są ważne kwestie filozoficzne dotyczące sprawiedliwości, które uczniowie powinni rozważyć podczas budowy modeli ML?	Lekcja	Tomomi
04	Techniki uczenia maszynowego	Wprowadzenie	Jakie techniki stosują badacze ML do budowy modeli uczenia maszynowego?	Lekcja	Chris i Jen
05	Wprowadzenie do regresji	Regresja	Rozpocznij pracę z Pythonem i Scikit-learn dla modeli regresji	Python • R	Jen • Eric Wanjau
06	Ceny dyni w Ameryce Północnej 🎃	Regresja	Wizualizacja i czyszczenie danych w przygotowaniu do ML	Python • R	Jen • Eric Wanjau
07	Ceny dyni w Ameryce Północnej 🎃	Regresja	Budowa modeli regresji liniowej i wielomianowej	Python • R	Jen i Dmitry • Eric Wanjau
08	Ceny dyni w Ameryce Północnej 🎃	Regresja	Budowa modelu regresji logistycznej	Python • R	Jen • Eric Wanjau
09	Aplikacja webowa 🔌	Aplikacja webowa	Budowa aplikacji webowej do wykorzystania wytrenowanego modelu	Python	Jen
10	Wprowadzenie do klasyfikacji	Klasyfikacja	Czyszczenie, przygotowanie i wizualizacja danych; wprowadzenie do klasyfikacji	Python • R	Jen i Cassie • Eric Wanjau
11	Pyszne azjatyckie i indyjskie potrawy 🍜	Klasyfikacja	Wprowadzenie do klasyfikatorów	Python • R	Jen i Cassie • Eric Wanjau
12	Pyszne azjatyckie i indyjskie potrawy 🍜	Klasyfikacja	Więcej klasyfikatorów	Python • R	Jen i Cassie • Eric Wanjau
13	Pyszne azjatyckie i indyjskie potrawy 🍜	Klasyfikacja	Budowa aplikacji webowej rekomendującej na podstawie modelu	Python	Jen
14	Wprowadzenie do klastrowania	Klastrowanie	Czyszczenie, przygotowanie i wizualizacja danych; wprowadzenie do klastrowania	Python • R	Jen • Eric Wanjau
15	Odkrywanie muzycznych gustów Nigeryjczyków 🎧	Klastrowanie	Odkrywanie metody klastrowania K-Means	Python • R	Jen • Eric Wanjau
16	Wprowadzenie do przetwarzania języka naturalnego ☕️	Przetwarzanie języka naturalnego	Poznaj podstawy NLP, budując prostego bota	Python	Stephen
17	Typowe zadania NLP ☕️	Przetwarzanie języka naturalnego	Pogłęb swoją wiedzę o NLP, poznając typowe zadania związane z przetwarzaniem struktur językowych	Python	Stephen
18	Tłumaczenie i analiza sentymentu ♥️	Przetwarzanie języka naturalnego	Tłumaczenie i analiza sentymentu z Jane Austen	Python	Stephen
19	Romantyczne hotele Europy ♥️	Przetwarzanie języka naturalnego	Analiza sentymentu na podstawie recenzji hoteli 1	Python	Stephen
20	Romantyczne hotele Europy ♥️	Przetwarzanie języka naturalnego	Analiza sentymentu na podstawie recenzji hoteli 2	Python	Stephen
21	Wprowadzenie do prognozowania szeregów czasowych	Szeregi czasowe	Wprowadzenie do prognozowania szeregów czasowych	Python	Francesca
22	⚡️ Zużycie energii na świecie ⚡️ - prognozowanie z ARIMA	Szeregi czasowe	Prognozowanie szeregów czasowych z ARIMA	Python	Francesca
23	⚡️ Zużycie energii na świecie ⚡️ - prognozowanie z SVR	Szeregi czasowe	Prognozowanie szeregów czasowych z Support Vector Regressor	Python	Anirban
24	Wprowadzenie do uczenia ze wzmocnieniem	Uczenie ze wzmocnieniem	Wprowadzenie do uczenia ze wzmocnieniem z Q-Learning	Python	Dmitry
25	Pomóż Peterowi uniknąć wilka! 🐺	Uczenie ze wzmocnieniem	Gym dla uczenia ze wzmocnieniem	Python	Dmitry
Postscript	Scenariusze i zastosowania ML w rzeczywistości	ML w praktyce	Interesujące i odkrywcze zastosowania klasycznego ML w rzeczywistości	Lekcja	Zespół
Postscript	Debugowanie modeli ML za pomocą pulpitu RAI	ML w praktyce	Debugowanie modeli uczenia maszynowego za pomocą komponentów odpowiedzialnego AI	Lekcja	Ruth Yakubu

znajdź wszystkie dodatkowe zasoby dla tego kursu w naszej kolekcji Microsoft Learn

Dostęp offline

Możesz uruchomić tę dokumentację offline, korzystając z Docsify. Sforkuj to repozytorium, zainstaluj Docsify na swoim lokalnym komputerze, a następnie w katalogu głównym tego repozytorium wpisz docsify serve. Strona internetowa zostanie uruchomiona na porcie 3000 na twoim localhost: localhost:3000.

PDF-y

Znajdź plik PDF z programem nauczania i linkami tutaj.

🎒 Inne kursy

Nasz zespół tworzy inne kursy! Sprawdź:

• Generatywna AI dla początkujących
• Generatywna AI dla początkujących .NET
• Generatywna AI z JavaScript
• Generatywna AI z Java
• AI dla początkujących
• Data Science dla początkujących
• ML dla początkujących
• Cyberbezpieczeństwo dla początkujących
• Web Dev dla początkujących
• IoT dla początkujących
• Rozwój XR dla początkujących
• Opanowanie GitHub Copilot dla programowania w parach
• Opanowanie GitHub Copilot dla programistów C#/.NET
• Wybierz swoją własną przygodę z Copilotem

---

Zastrzeżenie:
Ten dokument został przetłumaczony za pomocą usługi tłumaczeniowej AI Co-op Translator. Chociaż dokładamy wszelkich starań, aby tłumaczenie było precyzyjne, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w jego rodzimym języku powinien być uznawany za wiarygodne źródło. W przypadku informacji krytycznych zaleca się skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia.