ML-For-Beginners/translations/pl

🌐 Wsparcie wielojęzyczne

Obsługiwane za pośrednictwem GitHub Action (automatycznie i zawsze aktualne)

Arabski | Bengalski | Bułgarski | Birmański (Myanmar) | Chiński (uproszczony) | Chiński (tradycyjny, Hongkong) | Chiński (tradycyjny, Makau) | Chiński (tradycyjny, Tajwan) | Chorwacki | Czeski | Duński | Holenderski | Estoński | Fiński | Francuski | Niemiecki | Grecki | Hebrajski | Hindi | Węgierski | Indonezyjski | Włoski | Japoński | Kannada | Koreański | Litewski | Malajski | Malajalam | Marathi | Nepalski | Pidżin nigeryjski | 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 używania GitHub Copilot w analizie danych.

Uczenie maszynowe dla początkujących - program nauczania

🌍 Podróżuj po świecie, gdy odkrywamy uczenie maszynowe poprzez kultury świata 🌍

Cloud Advocates w Microsoft z przyjemnością oferują 12-tygodniowy program nauczania składający się z 26 lekcji poświęconych Uczeniu maszynowemu. W tym programie nauczysz się tego, co bywa nazywane klasycznym uczeniem maszynowym, używając głównie biblioteki Scikit-learn i unikając głębokiego uczenia, które jest omówione w naszym programie AI for Beginners. Połącz te lekcje z naszym programem 'Data Science for Beginners' również!

Podróżuj z nami po świecie, stosując te klasyczne techniki do danych z różnych rejonów świata. Każda lekcja zawiera quizy przed i po lekcji, pisemne instrukcje do wykonania lekcji, rozwiązanie, zadanie oraz więcej. Nasza projektowo-zorientowana pedagogika pozwala uczyć się podczas budowania, 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 i Amy Boyd

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

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

🤩 Dodatkowe podziękowania dla ambasadorów Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi i Vidushi Gupta za nasze lekcje w R!

Rozpoczęcie pracy

Wykonaj następujące kroki:

1. Rozgałęź (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 dla tego kursu w naszej kolekcji Microsoft Learn

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

Studenci, aby korzystać z tego programu nauczania, rozgałęź (fork) całe repozytorium na swoje konto GitHub i wykonuj ćwiczenia samodzielnie lub w grupie:

• Zacznij od quizu przedwykładowego.
• Przeczytaj wykład i wykonaj aktywności, zatrzymując się i zastanawiając przy każdym sprawdzeniu wiedzy.
• Staraj się tworzyć projekty, rozumiejąc lekcje zamiast po prostu uruchamiać kod z rozwiązań; jednak ten kod jest dostępny w folderach /solution w każdej lekcji zorientowanej projektowo.
• Rozwiąż quiz po wykładzie.
• Wykonaj wyzwanie.
• Wykonaj zadanie.
• Po zakończeniu grupy lekcji odwiedź Forum dyskusyjne i "ucz się na głos", wypełniając odpowiednią ocenę PAT. 'PAT' to narzędzie oceny postępów (Progress Assessment Tool), czyli rubryka, którą wypełniasz, aby pogłębić naukę. Możesz również reagować na inne PATy, abyśmy mogli uczyć się razem.

Dla dalszych studiów rekomendujemy śledzenie tych modułów i ścieżek nauczania na Microsoft Learn.

Nauczyciele, zamieściliśmy kilka sugestii dotyczących wykorzystania tego programu nauczania.

---

Przewodniki wideo

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

---

Poznaj zespół

Gif autorstwa Mohit Jaisal

🎥 Kliknij powyższy obraz, aby obejrzeć film o projekcie i osobach, które go stworzyły!

---

Pedagogika

Przy tworzeniu tego programu wybraliśmy dwie zasady pedagogiczne: zapewnienie praktycznego podejścia opartego na projektach oraz włączenie częstych quizów. Ponadto program posiada wspólny motyw, który nadaje mu spójność.

Zapewniając, że treść jest powiązana z projektami, proces nauki jest bardziej angażujący dla uczniów, a utrwalenie koncepcji zostaje wzmocnione. Dodatkowo, quiz niskiego ryzyka przed zajęciami ustawia intencję ucznia w kierunku nauki danego tematu, natomiast drugi quiz po zajęciach zapewnia dalsze utrwalenie. Ten program został zaprojektowany tak, aby był elastyczny i przyjemny, i można wziąć w nim udział w całości lub częściowo. Projekty zaczynają się od małych i stają się coraz bardziej skomplikowane pod koniec 12-tygodniowego cyklu. Program zawiera również posłowie na temat zastosowań ML w rzeczywistym świecie, które można wykorzystać jako dodatkowe punkty lub jako podstawę do dyskusji.

Zapoznaj się z naszym Kodeksem postępowania, Wkładem do projektu, Tłumaczeniami i Przewodnikiem rozwiązywania problemów. Czekamy na Twoją konstruktywną opinię!

Każda lekcja zawiera

• opcjonalną sketchnotkę
• opcjonalne wideo uzupełniające
• przewodnik wideo (tylko niektóre lekcje)
• quiz rozgrzewkowy przed wykładem
• pisemną lekcję
• dla lekcji projektowych: szczegółowe przewodniki krok po kroku, jak zbudować projekt
• sprawdzenia wiedzy
• wyzwanie
• uzupełniającą literaturę
• zadanie
• quiz po wykładzie

Uwaga o językach: Te lekcje są głównie napisane w Pythonie, ale wiele z nich 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 R Markdown — można je zdefiniować jako osadzenie code chunks (w R lub innych językach) oraz YAML header (który określa, jak formatować wyjścia, na przykład PDF) w Markdown document. W związku z tym służy jako doskonałe środowisko autorstwa dla data science, ponieważ pozwala łączyć kod, jego wynik oraz Twoje uwagi, umożliwiając zapis ich w Markdown. Ponadto dokumenty R Markdown mogą być renderowane do formatów wyjściowych, takich jak PDF, HTML lub Word.

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

Numer lekcji	Temat	Grupowanie lekcji	Cele nauczania	Powiązana lekcja	Autor
01	Wprowadzenie do uczenia maszynowego	Wprowadzenie	Poznaj podstawowe koncepcje stojące za uczeniem maszynowym	Lekcja	Muhammad
02	Historia uczenia maszynowego	Wprowadzenie	Poznaj historię leżącą u podstaw tej dziedziny	Lekcja	Jen and Amy
03	Sprawiedliwość i uczenie maszynowe	Wprowadzenie	Jakie są ważne kwestie filozoficzne dotyczące sprawiedliwości, które studenci powinni rozważyć podczas tworzenia i stosowania modeli ML?	Lekcja	Tomomi
04	Techniki uczenia maszynowego	Wprowadzenie	Jakich technik używają badacze ML do budowania modeli ML?	Lekcja	Chris and Jen
05	Wprowadzenie do regresji	Regresja	Rozpocznij pracę z Pythonem i Scikit-learn przy modelach regresyjnych	Python • R	Jen • Eric Wanjau
06	Ceny dyni w Ameryce Północnej 🎃	Regresja	Wizualizuj i oczyszczaj dane przygotowując je do ML	Python • R	Jen • Eric Wanjau
07	Ceny dyni w Ameryce Północnej 🎃	Regresja	Buduj modele regresji liniowej i wielomianowej	Python • R	Jen and Dmitry • Eric Wanjau
08	Ceny dyni w Ameryce Północnej 🎃	Regresja	Zbuduj model regresji logistycznej	Python • R	Jen • Eric Wanjau
09	Aplikacja internetowa 🔌	Aplikacja internetowa	Zbuduj aplikację internetową, aby używać wytrenowanego modelu	Python	Jen
10	Wprowadzenie do klasyfikacji	Klasyfikacja	Czyszczenie, przygotowanie i wizualizacja danych; wprowadzenie do klasyfikacji	Python • R	Jen and Cassie • Eric Wanjau
11	Pyszne kuchnie azjatyckie i indyjskie 🍜	Klasyfikacja	Wprowadzenie do klasyfikatorów	Python • R	Jen and Cassie • Eric Wanjau
12	Pyszne kuchnie azjatyckie i indyjskie 🍜	Klasyfikacja	Więcej klasyfikatorów	Python • R	Jen and Cassie • Eric Wanjau
13	Pyszne kuchnie azjatyckie i indyjskie 🍜	Klasyfikacja	Zbuduj aplikację rekomendacyjną używając swojego modelu	Python	Jen
14	Wprowadzenie do klasteryzacji	Klasteryzacja	Czyszczenie, przygotowanie i wizualizacja danych; wprowadzenie do klasteryzacji	Python • R	Jen • Eric Wanjau
15	Odkrywanie nigeryjskich gustów muzycznych 🎧	Klasteryzacja	Poznaj metodę klasteryzacji K-średnich	Python • R	Jen • Eric Wanjau
16	Wprowadzenie do przetwarzania języka naturalnego ☕️	Przetwarzanie języka naturalnego	Poznaj podstawy NLP, budując prostego bota	Python	Stephen
17	Typowe zadania NLP ☕️	Przetwarzanie języka naturalnego	Pogłęb wiedzę o NLP, rozumiejąc powszechne zadania związane ze strukturami języka	Python	Stephen
18	Tłumaczenie i analiza sentymentu ♥️	Przetwarzanie języka naturalnego	Tłumaczenie i analiza sentymentu na przykładzie Jane Austen	Python	Stephen
19	Romantyczne hotele w Europie ♥️	Przetwarzanie języka naturalnego	Analiza sentymentu na recenzjach hoteli 1	Python	Stephen
20	Romantyczne hotele w Europie ♥️	Przetwarzanie języka naturalnego	Analiza sentymentu na recenzjach 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 czasowych z ARIMA	Szeregi czasowe	Prognozowanie szeregów czasowych z wykorzystaniem ARIMA	Python	Francesca
23	⚡️ Zużycie energii na świecie ⚡️ - prognozowanie szeregów czasowych z SVR	Szeregi czasowe	Prognozowanie szeregów czasowych z użyciem Support Vector Regressor	Python	Anirban
24	Wprowadzenie do uczenia przez wzmacnianie	Uczenie przez wzmacnianie	Wprowadzenie do uczenia przez wzmacnianie z Q-Learning	Python	Dmitry
25	Pomóż Peterowi uniknąć wilka! 🐺	Uczenie przez wzmacnianie	Uczenie przez wzmacnianie w Gym	Python	Dmitry
Posłowie	Scenariusze i zastosowania ML w świecie rzeczywistym	ML w praktyce	Interesujące i pouczające zastosowania klasycznego ML w świecie rzeczywistym	Lekcja	Zespół
Posłowie	Debugowanie modeli w ML z użyciem pulpitu RAI	ML w praktyce	Debugowanie modeli w uczeniu maszynowym przy użyciu komponentów pulpitu Responsible AI	Lekcja	Ruth Yakubu

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

Dostęp offline

Możesz uruchomić tę dokumentację offline, używając Docsify. Sforkuj to repozytorium, zainstaluj Docsify na swoim komputerze, a następnie w głównym folderze tego repo wpisz docsify serve. Witryna będzie serwowana na porcie 3000 na twoim localhost: localhost:3000.

Pliki PDF

Znajdź plik pdf programu nauczania z linkami tutaj.

🎒 Inne kursy

Nasz zespół tworzy inne kursy! Zobacz:

LangChain

---

Azure / Edge / MCP / Agenci

---

Seria Generative AI

---

Główne materiały

---

Seria Copilot

Uzyskiwanie pomocy

Jeśli utkniesz lub będziesz mieć 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: Ten dokument został przetłumaczony przy użyciu usługi tłumaczenia AI Co-op Translator. Dokładamy starań, aby tłumaczenie było jak najbardziej precyzyjne, jednak prosimy pamiętać, że tłumaczenia automatyczne mogą zawierać błędy lub nieścisłości. Za wiążące należy uważać oryginalny dokument w języku źródłowym. W przypadku informacji o krytycznym znaczeniu zaleca się skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia.