ML-For-Beginners/translations/pl

🌐 Wsparcie wielojęzyczne

Wspierane przez GitHub Action (Automatyczne i zawsze aktualne)

Arabski | Bengalski | Bułgarski | Birmański (Myanmar) | Chiński (uproszczony) | Chiński (tradycyjny, Hongkong) | Chiński (tradycyjny, Makau) | Chiński (tradycyjny, Tajwan) | Chorwacki | Czeski | Duński | Niderlandzki | Estoński | Fiński | Francuski | Niemiecki | Grecki | Hebrajski | Hindi | Węgierski | Indonezyjski | Włoski | Japoński | Kannada | Koreański | Litewski | Malajski | Malajalam | Marathi | Nepalski | Nigeryjski 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

Dołącz do naszej społeczności

Prowadzimy serię „Learn with AI” na Discordzie, dowiedz się więcej i dołącz do nas na Learn with AI Series w dniach 18 - 30 września 2025. Otrzymasz wskazówki i triki dotyczące korzystania z GitHub Copilot dla Data Science.

Machine Learning dla początkujących - Program nauczania

🌍 Podróżuj po świecie, poznając uczenie maszynowe przez pryzmat kultur świata 🌍

Cloud Advocates w Microsoft z przyjemnością oferują 12-tygodniowy, 26-lekcyjny program nauczania poświęcony Uczeniu maszynowemu. W tym programie nauczysz się o tym, co czasem nazywa się klasycznym uczeniem maszynowym, korzystając głównie z biblioteki Scikit-learn i unikając uczenia głębokiego, które jest omawiane w naszym programie AI dla początkujących. Połącz te lekcje z naszym 'Data Science dla początkujących'!

Podróżuj z nami po świecie, stosując klasyczne techniki do danych z różnych regionów świata. 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 podczas tworzenia, co jest sprawdzonym sposobem na trwałe przyswajanie 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 i Amy Boyd

🎨 Podziękowania również dla naszych ilustratorów Tomomi Imura, Dasani Madipalli i Jen Looper

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

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

Rozpoczęcie

Wykonaj następujące kroki:

1. Zrób fork 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 z rozwiązaniami najczęstszych problemów z instalacją, konfiguracją i uruchamianiem lekcji.

Studenci, aby korzystać z tego programu, zrób fork całego 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 przy każdym sprawdzeniu wiedzy.
• Staraj się tworzyć projekty, rozumiejąc lekcje, zamiast uruchamiać kod rozwiązania; jednak kod ten jest dostępny w folderach /solution w każdej lekcji projektowej.
• Zrób quiz po wykładzie.
• Wykonaj wyzwanie.
• Wykonaj zadanie.
• Po ukończeniu grupy lekcji odwiedź Tablicę dyskusyjną i „ucz się na głos”, wypełniając odpowiednią rubrykę PAT. 'PAT' to narzędzie oceny postępów, które wypełniasz, aby pogłębić naukę. Możesz także reagować na inne PAT, abyśmy mogli uczyć się razem.

Do dalszej nauki polecamy śledzenie tych modułów i ścieżek nauki Microsoft Learn.

Nauczyciele, zamieściliśmy kilka sugestii dotyczących korzystania z tego programu.

---

Przewodniki wideo

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

---

Poznaj zespół

Gif autorstwa Mohit Jaisal

🎥 Kliknij powyższy obraz, 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, który nadaje mu spójność.

Zapewnienie, że treść jest powiązana z projektami, sprawia, że proces jest bardziej angażujący dla uczniów, a zapamiętywanie koncepcji zostaje wzmocnione. Dodatkowo quiz o niskiej stawce przed zajęciami nastawia ucznia na naukę tematu, a drugi quiz po zajęciach zapewnia dalsze utrwalenie. Program został zaprojektowany tak, aby był elastyczny i przyjemny, można go realizować w całości lub częściowo. Projekty zaczynają się od prostych i stają się coraz bardziej złożone pod koniec 12-tygodniowego cyklu. Program zawiera również postscriptum o zastosowaniach ML w rzeczywistym świecie, które można wykorzystać jako dodatkowe punkty lub jako podstawę do dyskusji.

Znajdź nasze wytyczne dotyczące Kodeksu postępowania, Współtworzenia, Tłumaczeń i Rozwiązywania problemów. Czekamy na Twoją konstruktywną opinię!

Każda lekcja zawiera

• opcjonalną notatkę graficzną
• opcjonalne wideo uzupełniające
• przewodnik wideo (tylko niektóre lekcje)
• quiz rozgrzewkowy przed wykładem
• pisemną lekcję
• w lekcjach projektowych, przewodniki krok po kroku jak zbudować projekt
• sprawdzenia wiedzy
• wyzwanie
• uzupełniającą lekturę
• zadanie
• quiz po wykładzie

Uwaga o językach: Lekcje są głównie napisane w Pythonie, ale wiele jest również dostępnych w R. Aby ukończyć lekcję w R, przejdź do folderu /solution i poszukaj lekcji w R. Zawierają one rozszerzenie .rmd, które oznacza plik R Markdown, definiowany jako osadzenie fragmentów kodu (R lub innych języków) oraz nagłówka YAML (który kieruje formatowaniem wyjść, np. PDF) w dokumencie Markdown. Służy to jako wzorcowy framework autorski dla data science, ponieważ pozwala łączyć kod, jego wynik i przemyślenia, zapisując je w Markdown. Ponadto dokumenty R Markdown można renderować do formatów wyjściowych takich jak PDF, HTML czy Word.

Uwaga o quizach: Wszystkie quizy znajdują się w folderze Quiz App, łącznie 52 quizy po trzy pytania każdy. Są one powiązane z lekcjami, ale aplikację quizową można uruchomić lokalnie; postępuj zgodnie z instrukcjami w folderze quiz-app, aby uruchomić lokalnie lub wdrożyć na Azure.

Numer lekcji	Temat	Grupa lekcji	Cele nauczania	Powiązana lekcja	Autor
01	Wprowadzenie do uczenia maszynowego	Introduction	Poznaj podstawowe pojęcia stojące za uczeniem maszynowym	Lesson	Muhammad
02	Historia uczenia maszynowego	Introduction	Poznaj historię leżącą u podstaw tej dziedziny	Lesson	Jen and Amy
03	Sprawiedliwość i uczenie maszynowe	Introduction	Jakie są ważne kwestie filozoficzne dotyczące sprawiedliwości, które studenci powinni rozważyć podczas budowy i stosowania modeli ML?	Lesson	Tomomi
04	Techniki uczenia maszynowego	Introduction	Jakich technik używają badacze ML do budowy modeli ML?	Lesson	Chris and Jen
05	Wprowadzenie do regresji	Regression	Zacznij pracę z Pythonem i Scikit-learn dla modeli regresji	Python • R	Jen • Eric Wanjau
06	Ceny dyni w Ameryce Północnej 🎃	Regression	Wizualizuj i oczyszczaj dane w przygotowaniu do ML	Python • R	Jen • Eric Wanjau
07	Ceny dyni w Ameryce Północnej 🎃	Regression	Buduj modele regresji liniowej i wielomianowej	Python • R	Jen and Dmitry • Eric Wanjau
08	Ceny dyni w Ameryce Północnej 🎃	Regression	Buduj model regresji logistycznej	Python • R	Jen • Eric Wanjau
09	Aplikacja internetowa 🔌	Web App	Zbuduj aplikację internetową do użycia wytrenowanego modelu	Python	Jen
10	Wprowadzenie do klasyfikacji	Classification	Oczyść, przygotuj i wizualizuj dane; wprowadzenie do klasyfikacji	Python • R	Jen and Cassie • Eric Wanjau
11	Pyszne kuchnie azjatyckie i indyjskie 🍜	Classification	Wprowadzenie do klasyfikatorów	Python • R	Jen and Cassie • Eric Wanjau
12	Pyszne kuchnie azjatyckie i indyjskie 🍜	Classification	Więcej klasyfikatorów	Python • R	Jen and Cassie • Eric Wanjau
13	Pyszne kuchnie azjatyckie i indyjskie 🍜	Classification	Zbuduj aplikację internetową rekomendującą na podstawie twojego modelu	Python	Jen
14	Wprowadzenie do klasteryzacji	Clustering	Oczyść, przygotuj i wizualizuj dane; wprowadzenie do klasteryzacji	Python • R	Jen • Eric Wanjau
15	Odkrywanie muzycznych gustów Nigerii 🎧	Clustering	Poznaj metodę klasteryzacji K-średnich	Python • R	Jen • Eric Wanjau
16	Wprowadzenie do przetwarzania języka naturalnego ☕️	Natural language processing	Poznaj podstawy NLP, budując prostego bota	Python	Stephen
17	Typowe zadania NLP ☕️	Natural language processing	Pogłęb swoją wiedzę o NLP, poznając typowe zadania związane z przetwarzaniem struktur językowych	Python	Stephen
18	Tłumaczenie i analiza sentymentu ♥️	Natural language processing	Tłumaczenie i analiza sentymentu z Jane Austen	Python	Stephen
19	Romantyczne hotele Europy ♥️	Natural language processing	Analiza sentymentu na podstawie opinii o hotelach 1	Python	Stephen
20	Romantyczne hotele Europy ♥️	Natural language processing	Analiza sentymentu na podstawie opinii o hotelach 2	Python	Stephen
21	Wprowadzenie do prognozowania szeregów czasowych	Time series	Wprowadzenie do prognozowania szeregów czasowych	Python	Francesca
22	⚡️ Zużycie energii na świecie ⚡️ - prognozowanie szeregów czasowych z ARIMA	Time series	Prognozowanie szeregów czasowych z ARIMA	Python	Francesca
23	⚡️ Zużycie energii na świecie ⚡️ - prognozowanie szeregów czasowych z SVR	Time series	Prognozowanie szeregów czasowych z regresorem wektorów nośnych (SVR)	Python	Anirban
24	Wprowadzenie do uczenia ze wzmocnieniem	Reinforcement learning	Wprowadzenie do uczenia ze wzmocnieniem z Q-Learning	Python	Dmitry
25	Pomóż Piotrowi uniknąć wilka! 🐺	Reinforcement learning	Uczenie ze wzmocnieniem w Gym	Python	Dmitry
Postscript	Scenariusze i zastosowania ML w rzeczywistym świecie	ML in the Wild	Interesujące i pouczające zastosowania klasycznego ML w rzeczywistym świecie	Lesson	Team
Postscript	Debugowanie modeli ML za pomocą pulpitu RAI	ML in the Wild	Debugowanie modeli w uczeniu maszynowym za pomocą komponentów pulpitu Responsible AI	Lesson	Ruth Yakubu

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

Dostęp offline

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

Pliki PDF

Znajdź pdf programu nauczania z linkami tutaj.

🎒 Inne kursy

Nasz zespół tworzy inne kursy! Sprawdź:

LangChain

---

Azure / Edge / MCP / Agenci

---

Seria Generative AI

---

Podstawowa nauka

---

Seria Copilot

Uzyskiwanie pomocy

Jeśli utkniesz lub masz pytania dotyczące tworzenia aplikacji AI. Dołącz do innych uczących się i doświadczonych programistów w dyskusjach o 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 dokładamy starań, aby tłumaczenie było jak najbardziej precyzyjne, prosimy mieć na uwadze, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w języku źródłowym powinien być uznawany za źródło autorytatywne. W przypadku informacji krytycznych zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia.