ML-For-Beginners/translations/pl

🌐 Wielojęzyczne wsparcie

Wspierane przez GitHub Action (Automatyczne i zawsze aktualne)

Arabic | Bengali | Bulgarian | Burmese (Myanmar) | Chinese (Simplified) | Chinese (Traditional, Hong Kong) | Chinese (Traditional, Macau) | Chinese (Traditional, Taiwan) | Chorwacki | Czeski | Duński | Niderlandzki | Estoński | Fiński | Francuski | Niemiecki | Grecki | Hebrajski | Hindi | Węgierski | Indonezyjski | Włoski | Japoński | Kannada | Koreański | Litewski | Malezyjski | Malajalam | Marathi | Nepalski | Nigerski pidgin | Norweski | Perski (Farsi) | Polski | Portugalski (Brazylia) | Portugalski (Portugalia) | Pendżabski (Gurmukhi) | Rumuński | Rosyjski | Serbski (Cyrylica) | Słowacki | Słoweński | Hiszpański | Suahili | Szwedzki | Tagalog (Filipiński) | Tamilski | Telugu | Tajski | Turecki | Ukraiński | Urdu | Wietnamski

Wolisz sklonować lokalnie?

To repozytorium zawiera tłumaczenia na ponad 50 języków, co znacznie zwiększa rozmiar pobieranego pliku. Aby sklonować bez tłumaczeń, użyj sparse checkout:

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'

Dzięki temu otrzymasz wszystko, czego potrzebujesz, aby ukończyć kurs, ale z dużo szybszym pobieraniem.

Dołącz do naszej społeczności

Mamy trwającą serię "Learn with AI" na Discordzie, dowiedz się więcej i dołącz do nas na Learn with AI Series od 18 do 30 września 2025. Otrzymasz wskazówki i triki dotyczące używania GitHub Copilot w Data Science.

Uczenie maszynowe dla początkujących - Program nauczania

🌍 Podróżuj po świecie, eksplorując Uczenie maszynowe poprzez kultury świata 🌍

Cloud Advocates w Microsoft z przyjemnością oferują 12-tygodniowy program nauczania składający się z 26 lekcji całkowicie poświęconych Uczeniu maszynowemu. W tym programie nauczysz się, co czasem określa się jako klasyczne uczenie maszynowe, korzystając głównie z biblioteki Scikit-learn i unikając uczenia głębokiego, które jest omawiane w naszym programie AI for Beginners. Połącz te lekcje z naszym 'Data Science for Beginners'!

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

✍️ Serdeczne podziękowania dla naszych autorów Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu oraz Amy Boyd

🎨 Podziękowania także dla naszych ilustratorów Tomomi Imura, Dasani Madipalli oraz Jen Looper

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

🤩 Dodatkowa wdzięczność dla Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi oraz Vidushi Gupta za nasze lekcje w R!

Rozpoczęcie

Wykonaj następujące kroki:

1. Rozgałęź 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

🔧 Potrzebujesz pomocy? Sprawdź nasz Przewodnik rozwiązywania problemów dla rozwiązań typowych problemów z instalacją, konfiguracją i uruchamianiem lekcji.

Uczniowie, aby korzystać z tego programu, rozgałęź całe 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 się przy każdym sprawdzeniu wiedzy.
• Staraj się tworzyć projekty, rozumiejąc lekcje, zamiast tylko uruchamiać kod rozwiązania; jednakże kod ten jest dostępny w folderach /solution w każdej lekcji zorientowanej na projekt.
• Rozwiąż quiz po wykładzie.
• Wykonaj wyzwanie.
• Wykonaj zadanie.
• Po ukończeniu grupy lekcji odwiedź Tablicę dyskusyjną i "ucząc się na głos", wypełnij odpowiednią rubrykę PAT. 'PAT' to narzędzie oceny postępów, które wypełniasz, by lepiej się uczyć. Możesz także reagować na inne PAT, abyśmy mogli uczyć się wspólnie.

Dla dalszej nauki zalecamy moduły i ścieżki nauki z Microsoft Learn.

Nauczyciele, zamieściliśmy kilka sugestii dotyczących wykorzystania tego programu.

---

Filmy instruktażowe

Niektóre lekcje są dostępne w formie krótkich filmów. Możesz je znaleźć bezpośrednio w lekcjach lub na playliście ML for Beginners na kanale Microsoft Developer na YouTube klikając obraz poniżej.

---

Poznaj zespół

Gif autorstwa Mohit Jaisal

🎥 Kliknij obraz powyżej, aby zobaczyć film o projekcie i osobach, które go stworzyły!

---

Pedagogika

Wybraliśmy dwie zasady pedagogiczne podczas tworzenia tego programu: zapewnienie, że jest on praktyczny i oparty na projektach, oraz że zawiera częste quizy. Ponadto program ma wspólny motyw przewodni, co nadaje mu spójność.

Dzięki powiązaniu treści z projektami proces nauki jest bardziej angażujący dla uczniów, a zapamiętywanie koncepcji zostaje wzmocnione. Dodatkowo quiz o niskim ryzyku przed zajęciami nastawia ucznia na naukę tematu, a drugi quiz po zajęciach zapewnia dalsze utrwalenie wiedzy. Program zaprojektowano tak, aby był elastyczny i przyjemny, można go realizować w całości lub częściowo. Projekty zaczynają się od prostych i stopniowo stają się coraz bardziej skomplikowane do końca 12-tygodniowego cyklu. Program zawiera również postscriptum dotyczące zastosowań uczenia maszynowego w praktyce, które może służyć jako dodatkowy materiał lub podstawa do dyskusji.

Zapoznaj się z naszymi wytycznymi: Kodeks postępowania, Wkład do projektu, Tłumaczenia oraz Rozwiązywanie problemów. Czekamy na Twoją konstruktywną opinię!

Każda lekcja zawiera

• opcjonalną notatkę szkicową
• opcjonalny film uzupełniający
• film instruktażowy (w niektórych lekcjach)
• quiz rozgrzewkowy przed wykładem
• lekcję pisaną
• w lekcjach projektowych przewodniki krok po kroku, jak zbudować projekt
• sprawdzenia wiedzy
• wyzwanie
• uzupełniającą lekturę
• zadanie domowe
• quiz po wykładzie

Uwagi dotyczące języków: Lekcje są głównie napisane w Pythonie, ale wiele z nich jest dostępnych również w R. Aby ukończyć lekcję w R, przejdź do folderu /solution i znajdź lekcje w R. Mają rozszerzenie .rmd, które oznacza plik R Markdown, definiowany jako połączenie kawałków kodu (w R lub innych językach) oraz nagłówka YAML (który kieruje formatowaniem wyjść takich jak PDF) w dokumencie Markdown. Służy to jako wzorcowy framework dla nauki danych, ponieważ pozwala łączyć kod, jego wyniki i notatki poprzez zapis w Markdown. Ponadto pliki R Markdown mogą być renderowane do formatów wyjścia takich jak PDF, HTML lub Word. Notatka o quizach: Wszystkie quizy zawarte są w folderze Quiz App, łącznie 52 quizy po trzy pytania każdy. Są one powiązane z lekcjami, ale aplikacja quizowa może być uruchamiana lokalnie; postępuj zgodnie z instrukcjami w folderze quiz-app, aby uruchomić lokalnie lub wdrożyć na Azure.

Numer lekcji	Temat	Grupa lekcji	Cele nauki	Powiązana lekcja	Autor
01	Wprowadzenie do uczenia maszynowego	Wprowadzenie	Poznaj podstawowe pojęcia uczenia maszynowego	Lekcja	Muhammad
02	Historia uczenia maszynowego	Wprowadzenie	Poznaj historię tego obszaru	Lekcja	Jen i Amy
03	Sprawiedliwość i uczenie maszynowe	Wprowadzenie	Jakie są ważne kwestie filozoficzne dotyczące sprawiedliwości, które studenci powinni rozważyć przy budowie i stosowaniu modeli ML?	Lekcja	Tomomi
04	Techniki uczenia maszynowego	Wprowadzenie	Jakich technik używają badacze ML do tworzenia modeli ML?	Lekcja	Chris i Jen
05	Wprowadzenie do regresji	Regresja	Zacznij pracę z Pythonem i Scikit-learn przy modelach regresji	Python • R	Jen • Eric Wanjau
06	Ceny dyni w Ameryce Północnej 🎃	Regresja	Wizualizacja i oczyszczanie 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	Stwórz aplikację webową, która użyje twojego wytrenowanego modelu	Python	Jen
10	Wprowadzenie do klasyfikacji	Klasyfikacja	Oczyść, przygotuj i zwizualizuj dane; wprowadzenie do klasyfikacji	Python • R	Jen i Cassie • Eric Wanjau
11	Pyszne kuchnie azjatyckie i indyjskie 🍜	Klasyfikacja	Wprowadzenie do klasyfikatorów	Python • R	Jen i Cassie • Eric Wanjau
12	Pyszne kuchnie azjatyckie i indyjskie 🍜	Klasyfikacja	Więcej klasyfikatorów	Python • R	Jen i Cassie • Eric Wanjau
13	Pyszne kuchnie azjatyckie i indyjskie 🍜	Klasyfikacja	Stwórz aplikację webową rekomendacji używając swojego modelu	Python	Jen
14	Wprowadzenie do klasteryzacji	Klasteryzacja	Oczyść, przygotuj i zwizualizuj dane; wprowadzenie do klasteryzacji	Python • R	Jen • Eric Wanjau
15	Odkrywanie muzycznych gustów Nigerii 🎧	Klasteryzacja	Poznaj metodę klasteryzacji K-środków	Python • R	Jen • Eric Wanjau
16	Wprowadzenie do przetwarzania języka naturalnego ☕️	Przetwarzanie języka naturalnego	Poznaj podstawy NLP tworząc prostego bota	Python	Stephen
17	Typowe zadania NLP ☕️	Przetwarzanie języka naturalnego	Pogłęb swoją wiedzę o NLP poprzez zrozumienie powszechnych zadań związanych ze strukturą języka	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 szeregów ARIMA	Szeregi czasowe	Prognozowanie szeregów czasowych z użyciem ARIMA	Python	Francesca
23	⚡️ Zużycie energii na świecie ⚡️ - prognozowanie z SVR	Szeregi czasowe	Prognozowanie szeregów czasowych z użyciem regresora wektorów nośnych (SVR)	Python	Anirban
24	Wprowadzenie do uczenia ze wzmocnieniem	Uczenie ze wzmocnieniem	Wprowadzenie do uczenia ze wzmocnieniem z Q-Learning	Python	Dmitry
25	Pomóż Piotrowi uniknąć wilka! 🐺	Uczenie ze wzmocnieniem	Ćwiczenia z uczenia ze wzmocnieniem w środowisku Gym	Python	Dmitry
Postscript	Scenariusze ML w rzeczywistym świecie	ML w praktyce	Ciekawe i znaczące zastosowania klasycznego ML w praktyce	Lekcja	Zespół
Postscript	Debugowanie modeli ML za pomocą panelu RAI	ML w praktyce	Debugowanie modeli uczenia maszynowego z wykorzystaniem komponentów panelu Responsible AI	Lekcja	Ruth Yakubu

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

Dostęp offline

Możesz uruchomić tę dokumentację offline za pomocą Docsify. Sklonuj to repozytorium, zainstaluj Docsify na swoim lokalnym komputerze, a następnie w głównym folderze repozytorium wpisz docsify serve. Strona będzie dostępna na porcie 3000 na twoim lokalnym hoście: localhost:3000.

PDF-y

Pobierz pdf programu nauczania z linkami tutaj.

🎒 Inne kursy

Nasz zespół produkuje również inne kursy! Sprawdź:

LangChain

---

Azure / Edge / MCP / Agenci

---

Seria Generative AI

---

Podstawowa nauka

---

Seria Copilot

Uzyskiwanie pomocy

Jeśli utkniesz lub masz jakiekolwiek pytania dotyczące tworzenia aplikacji AI. Dołącz do innych uczących się i doświadczonych programistów w dyskusjach na temat MCP. To wspierająca społeczność, gdzie pytania są mile widziane, a wiedza jest swobodnie dzielona.

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

---

Zastrzeżenie: Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Mimo że dążymy do dokładności, prosimy pamiętać, że tłumaczenia automatyczne mogą zawierać błędy lub niedokładności. Oryginalny dokument w języku źródłowym powinien być uznawany za oficjalne źródło. W przypadku informacji krytycznych zaleca się skorzystanie z profesjonalnego tłumaczenia wykonywanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z niniejszego tłumaczenia.