ML-For-Beginners/translations/sk

🌐 Podpora viacerých jazykov

Podporované cez GitHub Action (automatické a vždy aktuálne)

Arabčina | Bengálčina | Bulharčina | Barmčina (Myanmar) | Čínština (zjednodušená) | Čínština (tradičná, Hong Kong) | Čínština (tradičná, Macau) | Čínština (tradičná, Taiwan) | Chorvátčina | Čeština | Dánčina | Holandčina | Estónčina | Fínčina | Francúzština | Nemčina | Gréčtina | Hebrejčina | Hindčina | Maďarčina | Indonézština | Taliančina | Japončina | Kannadčina | Kórejčina | Litovčina | Malajčina | Malayalam | Maráthčina | Nepálčina | Nigérijská Pidžinčina | Nórčina | Perzština (Farsi) | Poľština | Portugalčina (Brazília) | Portugalčina (Portugalsko) | Pandžábčina (Gurmukhi) | Rumunčina | Ruština | Srbčina (cyrilika) | Slovenčina | Slovinčina | Španielčina | Swahilčina | Švédčina | Tagalog (Filipínčina) | Tamilčina | Telugčina | Thajčina | Turečtina | Ukrajinčina | Urdu | Vietnamčina

Preferujete klonovanie lokálne?

Tento repozitár obsahuje viac ako 50 prekladov jazykov, čo výrazne zväčšuje veľkosť sťahovania. Ak chcete klonovať bez prekladov, použite 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'

Toto vám poskytne všetko potrebné na dokončenie kurzu s oveľa rýchlejším stiahnutím.

Pridajte sa k našej komunite

Máme prebiehajúcu sériu Discord „Learn with AI“, dozviete sa viac a pripojte sa k nám na Learn with AI Series od 18. do 30. septembra 2025. Získate tipy a triky na používanie GitHub Copilot pre Data Science.

Strojové učenie pre začiatočníkov - Kurikulum

🌍 Cestujte po svete, keď skúmame strojové učenie cez kultúry sveta 🌍

Cloud Advocates v Microsoft ponúkajú 12-týždňové, 26-lekčné kurikulum úplne o strojovom učení. V tomto kurikulume sa naučíte o tzv. klasickom strojovom učení, používajúc predovšetkým knižnicu Scikit-learn a vyhýbajúc sa hlbokému učeniu, ktoré je zahrnuté v našom kurikulume AI pre začiatočníkov. Spojte tieto lekcie s naším kurikulom 'Data Science pre začiatočníkov', tiež!

Cestujte s nami po svete, keď aplikujeme tieto klasické techniky na dáta z rôznych oblastí sveta. Každá lekcia obsahuje pred a po lekcii kvízy, písomné inštrukcie na dokončenie lekcie, riešenie, zadanie a ďalšie. Naša projektovo orientovaná metodika vám umožní učiť sa pri budovaní, čo je overený spôsob, ako si nové zručnosti udržať.

✍️ Srdečná vďaka našim autorom Jen Looper, Stephen Howell, Francesca Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chris Noring, Anirban Mukherjee, Ornella Altunyan, Ruth Yakubu a Amy Boyd

🎨 Vďaka aj našim ilustrátorom Tomomi Imura, Dasani Madipalli a Jen Looper

🙏 Špeciálne poďakovanie 🙏 našim Microsoft Student Ambassador autorom, recenzentom a prispievateľom obsahu, najmä Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila a Snigdha Agarwal

🤩 Extra vďaka Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi a Vidushi Gupta za naše lekcie v R!

Začíname

Postupujte podľa týchto krokov:

1. Vytvorte Fork repozitára: Kliknite na tlačidlo „Fork“ v pravom hornom rohu tejto stránky.
2. Klonujte repozitár: git clone https://github.com/microsoft/ML-For-Beginners.git

najríte všetky doplnkové zdroje pre tento kurz v našej kolekcii Microsoft Learn

🔧 Potrebujete pomoc? Skontrolujte náš Sprievodca riešením problémov pre riešenia bežných problémov s inštaláciou, nastavením a spustením lekcií.

Študenti, použite tento kurz tak, že si vytvoríte fork celého repozitára do svojho GitHub účtu a cvičenia absolvujete sami alebo v skupine:

• Začnite kvízom pred prednáškou.
• Prečítajte si prednášku a dokončite aktivity, zastavujte sa a premýšľajte pri každej kontrole znalostí.
• Pokúste sa vytvoriť projekty pochopením lekcií namiesto spustenia riešacieho kódu; tento kód je však dostupný v priečinkoch /solution v každej projektovo orientovanej lekcii.
• Absolvujte kvíz po prednáške.
• Splňte výzvu.
• Dokončite zadanie.
• Po dokončení skupiny lekcií navštívte Diskusnú tabuľu a „učte sa nahlas“ tým, že vyplníte príslušný PAT hodnotiaci formulár. PAT je Nástroj na hodnotenie pokroku, ktorý vyplníte na zvýšenie svojho učenia. Môžete tiež reagovať na iné PATy, aby sme sa mohli učiť spoločne.

Pre ďalšie štúdium odporúčame sledovať tieto moduly a vzdelávacie cesty Microsoft Learn.

Učitelia, máme uvedené niekoľko návrhov, ako používať toto kurikulum.

---

Video prechádzky

Niektoré lekcie sú dostupné ako krátke videá. Všetky ich nájdete priamo v lekciách alebo na ML for Beginners playlist na YouTube kanáli Microsoft Developer kliknutím na obrázok nižšie.

---

Spoznajte tím

Gif od Mohit Jaisal

🎥 Kliknite na obrázok vyššie pre video o projekte a ľuďoch, ktorí ho vytvorili!

---

Pedagogika

Pri tvorbe tohto kurikula sme si zvolili dva pedagogické princípy: zabezpečiť, aby bolo prakticky projektovo orientované a aby obsahovalo časté kvízy. Okrem toho má toto kurikulum spoločnú tému, ktorá mu dáva jednotnosť.

Zabezpečením, že obsah korešponduje s projektmi, sa proces výučby pre študentov stáva záživnejším a lepšie si zapamätajú koncepty. Okrem toho nízko rizikový kvíz pred hodinou nastavuje intenciu študenta na učenie témy, zatiaľ čo druhý kvíz po hodine zabezpečuje ďalšie zapamätanie. Toto kurikulum je navrhnuté tak, aby bolo flexibilné a zábavné, a môže byť prebraté celé alebo čiastočne. Projekty začínajú malé a postupne sa komplikujú ku koncu 12-týždňového cyklu. Toto kurikulum tiež obsahuje postskript o reálnych aplikáciách ML, ktorý sa dá použiť ako dodatočné hodnotenie alebo ako základ diskusie.

Nájdete naše Pravidlá správania, Príspevky, Preklady a Riešenie problémov. Radi prijíme vašu konštruktívnu spätnú väzbu!

Každá lekcia obsahuje

• voliteľnú skicu poznámok
• voliteľné doplnkové video
• video prehliadku (iba niektoré lekcie)
• zahriatie pred prednáškou pomocou kvízu
• písomnú lekciu
• pre projektovo orientované lekcie, krok za krokom návody na vytvorenie projektu
• kontroly znalostí
• výzvu
• doplnkovú literatúru
• zadanie
• kvíz po prednáške

Poznámka k jazykom: Tieto lekcie sú primárne napísané v Pythone, ale mnohé sú dostupné aj v R. Na dokončenie lekcie v R choďte do priečinka /solution a vyhľadajte lekcie v R. Obsahujú príponu .rmd, ktorá predstavuje R Markdown súbor, ktorý je jednoducho definovaný ako vloženie kódových blokov (v R alebo iných jazykoch) a YAML záhlavia (ktoré riadi formátovanie výstupov, napríklad PDF) v Markdown dokumente. Slúži ako príklad autorovacieho rámca pre dátovú vedu, pretože umožňuje kombinovať kód, jeho výstup a poznámky tým, že ich píšete v Markdown formáte. Okrem toho môžu byť R Markdown dokumenty vyrenderované do formátov ako PDF, HTML alebo Word. Poznámka o kvízoch: Všetky kvízy sú obsiahnuté v zložke Quiz App, celkovo 52 kvízov so 3 otázkami v každom. Sú prepojené v rámci jednotlivých lekcií, ale kvízovú aplikáciu je možné spustiť miestne; postupujte podľa inštrukcií v priečinku quiz-app pre miestne hostovanie alebo nasadenie na Azure.

Číslo lekcie	Téma	Skupina lekcií	Ciele učenia	Prepojená lekcia	Autor
01	Úvod do strojového učenia	Úvod	Naučte sa základné pojmy zo strojového učenia	Lekcia	Muhammad
02	História strojového učenia	Úvod	Spoznajte históriu tohto odboru	Lekcia	Jen a Amy
03	Spravodlivosť a strojové učenie	Úvod	Aké sú dôležité filozofické otázky spravodlivosti, ktoré by mal študent zvažovať pri vytváraní a aplikovaní ML modelov?	Lekcia	Tomomi
04	Techniky pre strojové učenie	Úvod	Aké techniky vedci používajú na budovanie ML modelov?	Lekcia	Chris a Jen
05	Úvod do regresie	Regresia	Začnite s Python a Scikit-learn pre regresné modely	Python • R	Jen • Eric Wanjau
06	Severoa­merické ceny tekvíc 🎃	Regresia	Vizualizujte a vyčistite dáta pre prípravu na ML	Python • R	Jen • Eric Wanjau
07	Severoa­merické ceny tekvíc 🎃	Regresia	Postavte lineárne a polynomiálne regresné modely	Python • R	Jen a Dmitry • Eric Wanjau
08	Severoa­merické ceny tekvíc 🎃	Regresia	Postavte logistický regresný model	Python • R	Jen • Eric Wanjau
09	Webová aplikácia 🔌	Web App	Postavte webovú aplikáciu na použitie vášho vytrénovaného modelu	Python	Jen
10	Úvod do klasifikácie	Klasifikácia	Vyčistite, pripravte a vizualizujte svoje dáta; úvod do klasifikácie	Python • R	Jen a Cassie • Eric Wanjau
11	Lahodné ázijské a indické kuchyne 🍜	Klasifikácia	Úvod do klasifikátorov	Python • R	Jen a Cassie • Eric Wanjau
12	Lahodné ázijské a indické kuchyne 🍜	Klasifikácia	Ďalšie klasifikátory	Python • R	Jen a Cassie • Eric Wanjau
13	Lahodné ázijské a indické kuchyne 🍜	Klasifikácia	Postavte odporúčaciu webovú aplikáciu s vaším modelom	Python	Jen
14	Úvod do zhlukovania	Zhlukovanie	Vyčistite, pripravte a vizualizujte dáta; úvod do zhlukovania	Python • R	Jen • Eric Wanjau
15	Preskúmavanie nigérijských hudobných vkusov 🎧	Zhlukovanie	Preskúmajte metódu zhlukovania K-means	Python • R	Jen • Eric Wanjau
16	Úvod do spracovania prirodzeného jazyka ☕️	Spracovanie prirodzeného jazyka	Naučte sa základy NLP vytvorením jednoduchého bota	Python	Stephen
17	Bežné úlohy NLP ☕️	Spracovanie prirodzeného jazyka	Prehĺbte svoje znalosti NLP pochopením bežných úloh spojených so štruktúrami jazyka	Python	Stephen
18	Preklad a analýza sentimentu ♥️	Spracovanie prirodzeného jazyka	Preklad a analýza sentimentu s Jane Austen	Python	Stephen
19	Romantické hotely v Európe ♥️	Spracovanie prirodzeného jazyka	Analýza sentimentu na základe recenzií hotelov 1	Python	Stephen
20	Romantické hotely v Európe ♥️	Spracovanie prirodzeného jazyka	Analýza sentimentu na základe recenzií hotelov 2	Python	Stephen
21	Úvod do prognózovania časových radov	Časové rady	Úvod do prognózovania časových radov	Python	Francesca
22	⚡️ Svetová spotreba energie ⚡️ - časové rady s ARIMA	Časové rady	Prognózovanie časových radov pomocou ARIMA	Python	Francesca
23	⚡️ Svetová spotreba energie ⚡️ - časové rady so SVR	Časové rady	Prognózovanie časových radov pomocou regresora vektorov podpory	Python	Anirban
24	Úvod do posilňovacieho učenia	Posilňovacie učenie	Úvod do posilňovacieho učenia s Q-Learning	Python	Dmitry
25	Pomôžte Petrovi vyhnúť sa vlkovi! 🐺	Posilňovacie učenie	Posilňovacie učenie Gym	Python	Dmitry
Postskriptum	Scenáre a aplikácie ML v reálnom svete	ML v praxi	Zaujímavé a odhaľujúce aplikácie klasického ML v reálnom svete	Lekcia	Tím
Postskriptum	Ladenie modelov v ML pomocou RAI dashboardu	ML v praxi	Ladenie modelov v strojovom učení pomocou komponentov Responsible AI dashboardu	Lekcia	Ruth Yakubu

nájdite všetky dodatočné zdroje pre tento kurz v našej kolekcii Microsoft Learn

Offline prístup

Dokumentáciu môžete spustiť offline pomocou Docsify. Naklonujte tento repozitár, nainštalujte Docsify na svojom lokálnom počítači a potom v koreňovej zložke repozitára zadajte príkaz docsify serve. Web bude servírovaný na porte 3000 na vašom lokálnom hostiteľovi: localhost:3000.

PDF

Nájdite pdf učebného plánu s odkazmi tu.

🎒 Ďalšie kurzy

Náš tím pripravuje aj ďalšie kurzy! Pozrite si:

LangChain

---

Azure / Edge / MCP / Agenti

---

Séria Generatívnej AI

---

Základné učenie

---

Séria Copilot

Získanie pomoci

Ak uviaznete alebo máte otázky ohľadom tvorby AI aplikácií. Pridajte sa k ostatným študentom a skúseným vývojárom v diskusiách o MCP. Je to podporná komunita, kde sú otázky vítané a vedomosti zdieľané slobodne.

Ak máte spätnú väzbu k produktu alebo problémy počas tvorby, navštívte:

---

Vylúčenie zodpovednosti:
Tento dokument bol preložený pomocou AI prekladateľskej služby Co-op Translator. Aj keď sa snažíme o presnosť, vezmite prosím na vedomie, že automatizované preklady môžu obsahovať chyby alebo nepresnosti. Originálny dokument v jeho pôvodnom jazyku by mal byť považovaný za autoritatívny zdroj. Pre dôležité informácie sa odporúča profesionálny ľudský preklad. Nezodpovedáme za akékoľvek nedorozumenia alebo nesprávne interpretácie vyplývajúce z použitia tohto prekladu.