ML-For-Beginners/translations/cs

🌐 Podpora vícejazyčnosti

Podporováno prostřednictvím GitHub Action (automatizováno a vždy aktuální)

Arabština | Bengálština | Bulharština | Barmsky (Myanmar) | Čínština (zjednodušená) | Čínština (tradiční, Hong Kong) | Čínština (tradiční, Macau) | Čínština (tradiční, Taiwan) | Chorvatština | Čeština | Dánština | Nizozemština | Estonština | Finština | Francouzština | Němčina | Řečtina | Hebrejština | Hindi | Maďarština | Indonéština | Italština | Japonština | Kannada | Korejština | Litvanština | Malajština | Malajalámština | Maráthština | Nepálština | Nigérijský pidžin | Norština | Perština (Farsi) | Polština | Portugalština (Brazílie) | Portugalština (Portugalsko) | Paňdžábština (Gurmukhí) | Rumunština | Ruština | Srbština (Cyrilice) | Slovenština | Slovinština | Španělština | Svahilština | Švédština | Tagalog (Filipínština) | Tamil | Telugština | Thajština | Turečtina | Ukrajinština | Urdu | Vietnamština

Preferujete klonování lokálně?

Toto repozitář obsahuje více než 50 jazykových překladů, což výrazně zvyšuje velikost stahování. Pro klonování bez překladů použijte 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'

Díky tomu získáte vše potřebné ke kompletnímu absolvování kurzu s mnohem rychlejším stažením.

Připojte se k naší komunitě

Máme probíhající sérii Learn with AI na Discordu, dozvíte se více a připojte se k nám na Learn with AI Series od 18. do 30. září 2025. Získáte tipy a triky pro používání GitHub Copilot pro Data Science.

Strojové učení pro začátečníky - kurikulum

🌍 Cestujte po světě, zatímco prozkoumáváme strojové učení prostřednictvím světových kultur 🌍

Cloud Advocates ve společnosti Microsoft s potěšením nabízejí 12týdenní kurikulum o 26 lekcích zaměřené na Strojové učení. V tomto kurikulu se naučíte to, čemu se někdy říká klasické strojové učení, používající především knihovnu Scikit-learn a vyhýbající se hlubokému učení, které je pokryto v našem kurikulu AI pro začátečníky. Tyto lekce zkombinujte také s naším 'Data Science pro začátečníky' kurikulem!

Cestujte s námi po světě a aplikujte tyto klasické techniky na data z různých oblastí světa. Každá lekce obsahuje přednáškové a po přednášce testy, psané instrukce k dokončení lekce, řešení, úkol a více. Naše projektově založená pedagogika vám umožňuje učit se při tvorbě, což je osvědčený způsob, jak si nové dovednosti osvojit.

✍️ Srdečné poděkování 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

🎨 Poděkování také našim ilustrátorům Tomomi Imura, Dasani Madipalli a Jen Looper

🙏 Speciální poděkování 🙏 našim autorům, recenzentům a přispěvatelům obsahu z 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

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

🔧 Potřebujete pomoc? Podívejte se do naší Příručky pro řešení problémů na řešení běžných problémů s instalací, nastavením a spouštěním lekcí.

Studenti, pro využití tohoto kurikula, proveďte fork celé repo na svůj vlastní GitHub účet a dokončujte cvičení sami nebo ve skupině:

• Začněte kvízem před lekcí.
• Přečtěte si lekci a dokončete aktivity, zastavujte se a reflektujte u každé kontroly znalostí.
• Snažte se vytvářet projekty pochopením lekcí spíše než spuštěním kódu řešení; tento kód je ale dostupný ve složkách /solution v každé lekci orientované na projekt.
• Udělejte test po lekci.
• Dokončete výzvu.
• Vypracujte úkol.
• Po dokončení skupiny lekcí navštivte Diskuzní fórum a „učte se nahlas“ vyplněním příslušného PAT rubriky. 'PAT' je nástroj pro hodnocení pokroku, kde vyplňujete rubriku pro další rozvoj učení. Můžete také reagovat na jiné PATy, abychom se učili společně.

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

Učitelé, máme několik návrhů jak použít toto kurikulum.

---

Video průvodci

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

---

Seznamte se s týmem

Gif od Mohit Jaisal

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

---

Pedagogika

Při stavbě tohoto kurikula jsme si vybrali dva pedagogické principy: zajistit, aby bylo praktické a projektově orientované a aby zahrnovalo časté kvízy. Kromě toho má kurikulum společné téma, aby mu dodalo soudržnost.

Zajištěním, že obsah odpovídá projektům, je proces pro studenty zajímavější a zlepší se zapamatování konceptů. Navíc nízko-náročný kvíz před třídou nastavuje záměr studenta učit se téma, zatímco druhý kvíz po třídě zajišťuje další uchopení látky. Kurikulum bylo navrženo být flexibilní a zábavné a lze ho brát jako celek nebo po částech. Projekty začínají malé a na konci 12týdenního cyklu jsou stále složitější. Kurikulum také obsahuje dodatek o reálných aplikacích ML, který může být použit jako zápočet navíc nebo jako základ pro diskuzi.

Najděte naše Zásady chování, Přispívání, Překlady a Řešení problémů. Vítáme vaši konstruktivní zpětnou vazbu!

Každá lekce obsahuje

• volitelnou náčrtnou poznámku
• volitelné doplňkové video
• video průvodce (pouze některé lekce)
• kvíz na zahřátí před přednáškou
• psanou lekci
• pro lekce založené na projektech, krok-za-krokem návody, jak projekt vybudovat
• kontroly znalostí
• výzvu
• doplňující četbu
• úkol
• kvíz po přednášce

Poznámka k jazykům: Tyto lekce jsou primárně psány v Pythonu, ale mnohé jsou také dostupné v R. Pro dokončení lekce v R přejděte do složky /solution a hledejte R lekce. Obsahují příponu .rmd, což představuje R Markdown soubor, který lze jednoduše definovat jako vložení kódových bloků (z R nebo jiných jazyků) a YAML hlavičky (která řídí formátování výstupů, jako je PDF) do Markdown dokumentu. Slouží tedy jako vzorový autorský rámec pro data science, protože umožňuje kombinovat váš kód, jeho výstup a myšlenky tím, že je můžete zapisovat v Markdownu. Navíc R Markdown dokumenty lze zpracovat do výstupních formátů jako PDF, HTML nebo Word. Poznámka k testům: Všechny testy jsou obsaženy ve složce Quiz App folder, celkem 52 testů po třech otázkách. Jsou propojeny v rámci lekcí, ale aplikaci na testy lze spustit i lokálně; postupujte podle instrukcí ve složce quiz-app pro lokální spuštění nebo nasazení do Azure.

Číslo lekce	Téma	Skupina lekcí	Výukové cíle	Propojená lekce	Autor
01	Úvod do strojového učení	Introduction	Naučte se základní pojmy za strojovým učením	Lesson	Muhammad
02	Historie strojového učení	Introduction	Seznamte se s historií tohoto oboru	Lesson	Jen a Amy
03	Spravedlnost a strojové učení	Introduction	Jaké jsou důležité filozofické otázky týkající se spravedlnosti, které by studenti měli zvážit při tvorbě a aplikaci ML modelů?	Lesson	Tomomi
04	Techniky ve strojovém učení	Introduction	Jaké techniky používají výzkumníci ML ke stavbě ML modelů?	Lesson	Chris a Jen
05	Úvod do regrese	Regression	Začněte s Pythonem a Scikit-learn pro regresní modely	Python • R	Jen • Eric Wanjau
06	Cena dýní v Severní Americe 🎃	Regression	Vizualizujte a vyčistěte data pro přípravu na ML	Python • R	Jen • Eric Wanjau
07	Cena dýní v Severní Americe 🎃	Regression	Vytvořte lineární a polynomiální regresní modely	Python • R	Jen a Dmitry • Eric Wanjau
08	Cena dýní v Severní Americe 🎃	Regression	Vytvořte logistický regresní model	Python • R	Jen • Eric Wanjau
09	Webová aplikace 🔌	Web App	Vytvořte webovou aplikaci pro použití vašeho vytrénovaného modelu	Python	Jen
10	Úvod do klasifikace	Classification	Vyčistěte, připravte a vizualizujte svá data; úvod do klasifikace	Python • R	Jen a Cassie • Eric Wanjau
11	Lahodné asijské a indické kuchyně 🍜	Classification	Úvod do klasifikátorů	Python • R	Jen a Cassie • Eric Wanjau
12	Lahodné asijské a indické kuchyně 🍜	Classification	Další klasifikátory	Python • R	Jen a Cassie • Eric Wanjau
13	Lahodné asijské a indické kuchyně 🍜	Classification	Vytvořte doporučující webovou aplikaci pomocí vašeho modelu	Python	Jen
14	Úvod do shlukování	Clustering	Vyčistěte, připravte a vizualizujte svá data; úvod do shlukování	Python • R	Jen • Eric Wanjau
15	Prozkoumání nigerijských hudebních vkusů 🎧	Clustering	Prozkoumejte metodu 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 úlohy NLP ☕️	Natural language processing	Prohlubte své znalosti NLP pochopením běžných úkolů nezbytných 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 Evropy ♥️	Natural language processing	Analýza sentimentu na základě recenzí hotelů 1	Python	Stephen
20	Romantické hotely Evropy ♥️	Natural language processing	Analýza sentimentu na základě recenzí 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 pomocí ARIMA	Time series	Předpověď časových řad pomocí ARIMA	Python	Francesca
23	⚡️ Světová spotřeba energie ⚡️ - předpověď časových řad pomocí SVR	Time series	Předpověď časových řad pomocí regresoru podpůrných vektorů	Python	Anirban
24	Úvod do posilovaného učení	Reinforcement learning	Úvod do posilovaného učení pomocí Q-Learning	Python	Dmitry
25	Pomozte Petru vyhnout se vlkovi! 🐺	Reinforcement learning	Posilované učení pomocí Gym	Python	Dmitry
Postscript	Scénáře a aplikace ML v reálném světě	ML in the Wild	Zajímavé a poučné reálné aplikace klasického ML	Lesson	Team
Postscript	Ladění modelů ML pomocí RAI dashboardu	ML in the Wild	Ladění modelů strojového učení pomocí komponent dashboardu Responsible AI	Lesson	Ruth Yakubu

najděte všechny doplňkové materiály k tomuto kurzu v naší kolekci Microsoft Learn

Offline přístup

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

PDF

Pdf s osnovou kurzu včetně odkazů najdete zde.

🎒 Další kurzy

Náš tým produkuje i další kurzy! Podívejte se na:

LangChain

---

Azure / Edge / MCP / Agenti

---

Sérií generativní AI

---

Základní učení

---

Série Copilot

Získání pomoci

Pokud se zaseknete nebo máte jakékoli dotazy ohledně vytváření AI aplikací. Připojte se k ostatním studentům a zkušeným vývojářům v diskusích o MCP. Je to podpůrná komunita, kde jsou otázky vítány a znalosti se s radostí sdílejí.

Pokud máte zpětnou vazbu k produktu nebo chyby během vývoje navštivte:

---

Prohlášení o vyloučení odpovědnosti: Tento dokument byl přeložen pomocí AI překladatelské služby Co-op Translator. Ačkoli usilujeme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho rodném jazyce by měl být považován za autoritativní zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakékoli nedorozumění nebo mylné výklady vyplývající z použití tohoto překladu.