ML-For-Beginners/translations/cs

🌐 Podpora více jazyků

Podporováno pomocí 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 | 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

Přidejte 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 – učební plán

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

Cloud Advocates v Microsoftu s potěšením nabízejí 12týdenní, 26-lekční učební plán zaměřený na strojové učení. V tomto učebním plánu se naučíte to, co se někdy nazývá klasické strojové učení, přičemž primárně používáme knihovnu Scikit-learn a vyhýbáme se hlubokému učení, které je pokryto v našem učebním plánu AI pro začátečníky. Tyto lekce můžete také kombinovat s naším učebním plánem Data Science pro začátečníky.

Cestujte s námi po světě, zatímco aplikujeme tyto klasické techniky na data z různých oblastí světa. Každá lekce obsahuje před a po lekci 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 lépe osvojit.

✍️ Srdečné 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 z řad Microsoft Student Ambassadorů, 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. Naklonujte 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 na náš Průvodce řešením problémů pro řešení běžných problémů s instalací, nastavením a spouštěním lekcí.

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

• Začněte přednáškovým kvízem.
• Přečtěte si přednášku a dokončete aktivity, zastavujte se a přemýšlejte u každé kontroly znalostí.
• Snažte se vytvářet projekty pochopením lekcí, nikoli jen spuštěním řešení; kód řešení je však k dispozici ve složkách /solution v každé lekci zaměřené na projekt.
• Udělejte po přednášce kvíz.
• Dokončete výzvu.
• Dokončete úkol.
• Po dokončení skupiny lekcí navštivte Diskusní fórum a „učte se nahlas“ vyplněním příslušného hodnotícího formuláře PAT. PAT je nástroj pro hodnocení pokroku, který vyplníte, abyste podpořili své učení. Můžete také reagovat na jiné PAT, abychom se mohli učit společně.

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

Učitelé, máme několik návrhů, jak tento učební plán využít.

---

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 tvorbě tohoto učebního plánu jsme zvolili dva pedagogické principy: zajistit, aby byl praktický a projektově orientovaný, a aby obsahoval časté kvízy. Navíc má tento učební plán společné téma, které mu dává soudržnost.

Zajištěním souladu obsahu s projekty je proces pro studenty zajímavější a zvyšuje se zapamatování konceptů. Nízkorizikový kvíz před hodinou nastavuje záměr studenta učit se dané téma, zatímco druhý kvíz po hodině zajišťuje další zapamatování. Tento učební plán byl navržen tak, aby byl flexibilní a zábavný a lze ho absolvovat celý nebo částečně. Projekty začínají malé a postupně se během 12týdenního cyklu stávají složitějšími. Tento učební plán také obsahuje dodatek o reálných aplikacích ML, který lze použít jako bonusové body nebo jako základ pro diskusi.

Najděte naše Kodex chování, Příspěvky, Překlady a Řešení problémů. Vítáme vaše konstruktivní připomínky!

Každá lekce obsahuje

• volitelnou skicu
• volitelné doplňkové video
• video průvodce (pouze některé lekce)
• přednáškový zahřívací kvíz
• psanou lekci
• u projektově orientovaných lekcí krok za krokem průvodce tvorbou projektu
• kontroly znalostí
• výzvu
• doplňující čtení
• úkol
• poválecý kvíz

Poznámka k jazykům: Tyto lekce jsou primárně psány v Pythonu, ale mnoho z nich je také dostupných v R. Pro dokončení lekce v R přejděte do složky /solution a hledejte lekce v R. Ty obsahují příponu .rmd, což je soubor R Markdown, který lze jednoduše definovat jako vložení kódových bloků (v R nebo jiných jazycích) a YAML hlavičky (která určuje, jak formátovat výstupy jako PDF) v Markdown dokumentu. Slouží tedy jako vzorový rámec pro psaní v datové vědě, protože umožňuje kombinovat kód, jeho výstup a vaše poznámky psané v Markdownu. Navíc lze R Markdown dokumenty převádět do výstupních formátů jako PDF, HTML nebo Word.

Poznámka ke kvízům: Všechny kvízy jsou obsaženy ve složce Quiz App, celkem 52 kvízů po třech otázkách. Jsou propojeny z lekcí, ale aplikaci kvízů lze spustit i lokálně; postupujte podle instrukcí ve složce quiz-app pro lokální hostování nebo nasazení do Azure.

Číslo lekce	Téma	Skupina lekcí	Výukové cíle	Propojená lekce	Autor
01	Úvod do strojového učení	Introduction	Naučte se základní pojmy strojového učení	Lesson	Muhammad
02	Historie strojového učení	Introduction	Poznejte historii tohoto oboru	Lesson	Jen and Amy
03	Spravedlnost a strojové učení	Introduction	Jaké jsou důležité filozofické otázky kolem spravedlnosti, které by studenti měli zvážit při vytváření a aplikaci modelů ML?	Lesson	Tomomi
04	Techniky strojového učení	Introduction	Jaké techniky používají výzkumníci ML k vytváření modelů ML?	Lesson	Chris and Jen
05	Úvod do regrese	Regression	Začněte s Pythonem a Scikit-learn pro regresní modely	Python • R	Jen • Eric Wanjau
06	Ceny dýní v Severní Americe 🎃	Regression	Vizualizujte a vyčistěte data pro přípravu na ML	Python • R	Jen • Eric Wanjau
07	Ceny dýní v Severní Americe 🎃	Regression	Vytvořte lineární a polynomiální regresní modely	Python • R	Jen and Dmitry • Eric Wanjau
08	Ceny 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 natrénovaného modelu	Python	Jen
10	Úvod do klasifikace	Classification	Vyčistěte, připravte a vizualizujte svá data; úvod do klasifikace	Python • R	Jen and Cassie • Eric Wanjau
11	Lahodné asijské a indické kuchyně 🍜	Classification	Úvod do klasifikátorů	Python • R	Jen and Cassie • Eric Wanjau
12	Lahodné asijské a indické kuchyně 🍜	Classification	Další klasifikátory	Python • R	Jen and 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	Objevování nigerijských hudebních chutí 🎧	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 úkoly NLP ☕️	Natural language processing	Prohlubte své znalosti NLP pochopením běžných úkolů 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 v Evropě ♥️	Natural language processing	Analýza sentimentu s recenzemi hotelů 1	Python	Stephen
20	Romantické hotely v Evropě ♥️	Natural language processing	Analýza sentimentu s recenzemi hotelů 2	Python	Stephen
21	Úvod do predikce časových řad	Time series	Úvod do predikce časových řad	Python	Francesca
22	⚡️ Světová spotřeba energie ⚡️ - predikce časových řad s ARIMA	Time series	Predikce časových řad pomocí ARIMA	Python	Francesca
23	⚡️ Světová spotřeba energie ⚡️ - predikce časových řad s SVR	Time series	Predikce časových řad pomocí Support Vector Regressoru	Python	Anirban
24	Úvod do posilovaného učení	Reinforcement learning	Úvod do posilovaného učení s Q-Learning	Python	Dmitry
25	Pomozte Petrovi vyhnout se vlkovi! 🐺	Reinforcement learning	Posilované učení Gym	Python	Dmitry
Postscript	Scénáře a aplikace ML v reálném světě	ML in the Wild	Zajímavé a poučné aplikace klasického ML v reálném světě	Lesson	Team
Postscript	Ladění modelů v ML pomocí RAI dashboardu	ML in the Wild	Ladění modelů v strojovém učení pomocí komponentů dashboardu Responsible AI	Lesson	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 svůj lokální počítač a poté v kořenové složce tohoto repozitáře zadejte docsify serve. Webová stránka bude dostupná na portu 3000 na vašem localhostu: localhost:3000.

PDF

Najděte pdf osnovy s odkazy zde.

🎒 Další kurzy

Náš tým vytváří i další kurzy! Podívejte se na:

LangChain

---

Azure / Edge / MCP / Agents

---

Série 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 diskuzích o MCP. Je to podpůrná komunita, kde jsou otázky vítány a znalosti se sdílejí volně.

Pokud máte zpětnou vazbu k produktu nebo narazíte na chyby při vývoji, navštivte:

---

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