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 klonovat lokálně?

Tento repozitář obsahuje přes 50 jazykových překladů, což výrazně zvětšuje velikost ke stažení. 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"

Získáte vše, co potřebujete pro dokončení kurzu, s mnohem rychlejším stažením.

Připojte se k naší komunitě

Máme probíhající sérii Learn with AI na Discordu, dozvíte se více a připojíte se k nám 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 – učební plán

🌍 Cestujte po celém světě a objevujte strojové učení prostřednictvím světových kultur 🌍

Cloud Advocates ve společnosti Microsoft s potěšením nabízejí 12týdenní, 26-lekční učební plán zaměřený na strojové učení. V tomto učebním plánu se naučíte, co se někdy nazývá klasickým strojovým učením, používající především knihovnu Scikit-learn a vyhýbající se hlubokému učení, které je pokryto v našem učebním plánu AI pro začátečníky. Tyto lekce zkombinujte s naším učebním plánem Data Science pro začátečníky také!

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

✍️ Upřímné 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

🙏 Zvláštní poděkování 🙏 našim autorům, recenzentům a přispěvatelům obsahu ze studentů 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. 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

💡 Tip pro rychlý začátek: Chcete začít v prohlížeči bez nutnosti lokální instalace Pythonu? Použijte GitHub Codespaces, vytvořte si cloudové vývojové prostředí pro svůj fork. Otevřete zelené menu Code, vyberte Codespaces a vytvořte si kódovací prostor; nainstalujte požadované závislosti každé lekce podle potřeby.

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

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

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

• Začněte přednáškovým kvízem.
• Přečtěte si přednášku a dokončete aktivity, zastavujte se a zvažujte při každé kontrole vědomostí.
• Pokuste se vytvořit projekty pochopením lekcí, nikoliv pouhým spuštěním řešení; ale tento kód je k dispozici ve složkách /solution v každé lekci zaměřené na projekt.
• Udělejte po přednášce kvíz.
• Dokončete výzvu.
• Splňte zadání.
• Po dokončení skupiny lekcí navštivte Diskusní fórum a „učte se nahlas“ vyplněním příslušné rubriky PAT. ‚PAT‘ je nástroj pro hodnocení pokroku, který vyplníte pro lepší učení. Také můžete reagovat na ostatní PAT, aby jsme se učili spolu.

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

Učitelé, připravili jsme několik návrhů, jak tento učební plán využít.

---

Video návody

Některé lekce jsou dostupné jako krátká videa. Všechny najdete přímo v lekcích nebo v playlistu ML for Beginners na kanálu Microsoft Developer YouTube 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 tvorbě tohoto učebního plánu jsme zvolili dvě pedagogické zásady: zajistit, aby byl projektově orientovaný s praktickým pojetím a aby obsahoval časté kvízy. Navíc má tento učební plán společné téma pro lepší propojení.

Díky sladění obsahu s projekty je proces pro studenty zajímavější a zapamatování pojmů se zlepší. Nízkorizikový kvíz před hodinou nastavuje záměr studenta pro naučení tématu, zatímco druhý kvíz po hodině zajistí další upevnění vědomostí. Tento učební plán je navržen tak, aby byl flexibilní a zábavný, lze jej absolvovat celý nebo po částech. Projekty začínají malé a postupně se až do posledního 12týdenního cyklu stávají složitějšími. V učebním plánu je také poscriptum o reálných aplikacích ML, které lze využít jako extra kredit nebo jako podklad k diskusi.

Najděte náš Kodex chování, Příspěvky, Překlady a Řešení problémů. Oceňujeme vaše konstruktivní připomínky!

Každá lekce zahrnuje

• volitelnou sketchnotu
• volitelné doplňkové video
• video průvodce (pouze některé lekce)
• předešlý warmup kvíz
• psanou lekci
• pro projektové lekce krok-za-krokem návody, jak projekt vybudovat
• kontroly znalostí
• výzvu
• doplňkové čtení
• úkol
• povýsledný kvíz

Poznámka k jazykům: Tyto lekce jsou primárně psány v Pythonu, ale mnoho je také dostupných v R. Pro dokončení R lekce přejděte do složky /solution a hledejte lekce v R. Mají příponu .rmd, což je R Markdown soubor, který lze jednoduše definovat jako vložení kódových bloků (v R nebo jiných jazycích) a YAML hlavičky (určující formátování výstupů, např. PDF) do Markdown dokumentu. Slouží tak jako příkladný editační rámec pro datovou vědu, protože umožňuje kombinovat váš kód, jeho výstupy a vaše myšlenky na jednom místě v Markdownu. R Markdown dokumenty lze navíc vykreslit do formátů jako PDF, HTML nebo Word.

Poznámka ke kvízům: Všechny kvízy jsou v složce Quiz App, celkem 52 kvízů po třech otázkách. Jsou propojené z lekcí, ale kvízovou aplikaci lze spustit i lokálně; postupujte podle návodu ve složce quiz-app, abyste aplikaci hostovali lokálně nebo nasadili do 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	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 modelů ML?	Lekce	Tomomi
04	Techniky strojového učení	Úvod	Jaké techniky používají výzkumníci ML k vytváření modelů ML?	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	Vizualizujte a vyčistěte data jako přípravu na ML	Python • R	Jen • Eric Wanjau
07	Ceny dýní v Severní Americe 🎃	Regrese	Vytvořte lineární a polynomiální regresní modely	Python • R	Jen a Dmitry • Eric Wanjau
08	Ceny dýní v Severní Americe 🎃	Regrese	Vytvořte logistický regresní model	Python • R	Jen • Eric Wanjau
09	Webová aplikace 🔌	Webová aplikace	Vytvořte webovou aplikaci pro použití vašeho natrénovaného modelu	Python	Jen
10	Úvod do klasifikace	Klasifikace	Vyčistěte, připravte a vizualizujte svá 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	Vytvořte doporučující webovou aplikaci pomocí vašeho modelu	Python	Jen
14	Úvod do shlukování	Shlukování	Vyčistěte, připravte a vizualizujte svá data; úvod do shlukování	Python • R	Jen • Eric Wanjau
15	Prozkoumání nigerijských hudebních vkusů 🎧	Shlukování	Prozkoumejte metodu 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 spojených se strukturou jazyka	Python	Stephen
18	Překlad a analýza sentimentu ♥️	Zpracování přirozeného jazyka	Překlad a analýza sentimentu s Jane Austen	Python	Stephen
19	Romantické hotely v Evropě ♥️	Zpracování přirozeného jazyka	Analýza sentimentu recenzí hotelů 1	Python	Stephen
20	Romantické hotely v Evropě ♥️	Zpracování přirozeného jazyka	Analýza sentimentu recenzí hotelů 2	Python	Stephen
21	Úvod do predikce časových řad	Časové řady	Úvod do predikce časových řad	Python	Francesca
22	⚡️ Světová spotřeba energie ⚡️ – predikce časových řad s ARIMA	Časové řady	Predikce časových řad pomocí ARIMA	Python	Francesca
23	⚡️ Světová spotřeba energie ⚡️ – predikce časových řad s SVR	Časové řady	Predikce časových řad pomocí regresoru s podporou vektorů	Python	Anirban
24	Úvod do posilovacího učení	Posilovací učení	Úvod do posilovacího učení s Q-Learning	Python	Dmitry
25	Pomozte Petrovi vyhnout se vlkovi! 🐺	Posilovací učení	Posilovací učení pomocí Gym	Python	Dmitry
Poznámka	Reálné scénáře a aplikace ML	ML ve světě	Zajímavé a odhalující reálné aplikace klasického ML	Lekce	Tým
Poznámka	Ladění modelů v ML pomocí dashboardu RAI	ML ve světě	Ladění modelů ve 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 vašem lokálním stroji a pak v kořenové složce tohoto repozitáře zadejte příkaz docsify serve. Web bude dostupný na portu 3000 na vašem localhostu: localhost:3000.

PDF

Najdete zde pdf osnovy s odkazy zde.

🎒 Další kurzy

Náš tým vytváří i další kurzy! Podívejte se na:

LangChain

Azure / Edge / MCP / Agenti

---

Série Generativní AI

---

Základní vzdělávání

---

Série Copilot

Jak získat pomoc

Pokud se zaseknete nebo budete mít otázky při učení strojového učení nebo vytváření AI aplikací, nedělejte si starosti — pomoc je k dispozici.

Můžete se připojit k diskuzím s ostatními 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 koncepty strojového učení a projektové nápady
• Získejte rady od zkušených vývojářů

Podpůrná komunita je skvělým způsobem, jak rozvíjet své dovednosti a řešit problémy rychleji.

Microsoft Foundry Discord Community

Pokud narazíte na chyby, problémy nebo máte nápady na zlepšení, můžete také otevřít Issue v tomto repozitáři a ohlásit problém.

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

Další tipy pro učení

• Pro větší pochopení si po každé lekci opakujte poznámky.
• Procvičujte si implementaci algoritmů sami.
• Prozkoumejte reálné datasety pomocí naučených konceptů.

---

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