ML-For-Beginners/translations/pl

🌐 Wsparcie Wielojęzyczne

Wspierane przez GitHub Action (Automatyczne i Zawsze Aktualne)

Arabski | Bengalski | Bułgarski | Birmański (Myanmar) | Chiński (uproszczony) | Chiński (tradycyjny, Hong Kong) | Chiński (tradycyjny, Makau) | Chiński (tradycyjny, Tajwan) | Chorwacki | Czeski | Duński | Niderlandzki | Estoński | Fiński | Francuski | Niemiecki | Grecki | Hebrajski | Hindi | Węgierski | Indonezyjski | Włoski | Japoński | Kannada | Khmer | Koreański | Litewski | Malajski | Malajalam | Marathi | Nepalski | Nigeryjski pidżin | Norweski | Perski (Farsi) | Polski | Portugalski (Brazylia) | Portugalski (Portugalia) | Pendżabski (Gurmukhi) | Rumunski | Rosyjski | Serbski (cyryllica) | Słowacki | Słoweński | Hiszpański | Suahili | Szwedzki | Tagalog (Filipiński) | Tamilski | Telugu | Tajski | Turecki | Ukraiński | Urdu | Wietnamski

Wolisz klonować lokalnie?

To repozytorium zawiera tłumaczenia na ponad 50 języków, co znacznie zwiększa rozmiar pobierania. Aby sklonować bez tłumaczeń, użyj sparse checkout:

Bash / macOS / Linux:

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'

CMD (Windows):

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"

Dzięki temu otrzymasz wszystko, czego potrzebujesz, aby ukończyć kurs, przy znacznie szybszym pobieraniu.

Dołącz do naszej społeczności

Prowadzimy serię na Discordzie "Learn with AI", 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.

Uczenie Maszynowe dla Początkujących - Program Nauczania

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

Cloud Advocates w Microsoft z przyjemnością oferują 12-tygodniowy kurs składający się z 26 lekcji poświęconych Uczeniu Maszynowemu. W tym kursie poznasz to, co bywa nazywane klasycznym uczeniem maszynowym, korzystając głównie z biblioteki Scikit-learn i unikając głębokiego uczenia, które jest omówione 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 obszarów globu. Każda lekcja zawiera quizy przed i po lekcji, pisemne instrukcje do wykonania zadania, rozwiązanie, zadanie do wykonania i inne. Nasza dydaktyka oparta na projektach pozwala uczyć się przez praktykę — to sprawdzony sposób na skuteczne 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

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

🤩 Szczególne podziękowania dla Microsoft Student Ambassadors Erica Wanjau, Jasleen Sondhi i Vidushi Gupta za nasze lekcje w R!

Pierwsze Kroki

Wykonaj następujące kroki:

1. Zrób forka repozytorium: Kliknij przycisk "Fork" w prawym górnym rogu tej strony.
2. Sklonuj repozytorium: git clone https://github.com/microsoft/ML-For-Beginners.git

💡 Szybka wskazówka: Chcesz zacząć w przeglądarce bez instalowania Pythona lokalnie? Skorzystaj z GitHub Codespaces do utworzenia środowiska chmurowego dla swojego forka. Otwórz zielone menu Code, wybierz Codespaces i utwórz codespace; w razie potrzeby zainstaluj w nim zależności wymagane przez każdą lekcję.

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

🔧 Potrzebujesz pomocy? Sprawdź nasz Przewodnik rozwiązywania problemów z rozwiązaniami typowych kwestii dotyczących instalacji, konfiguracji i uruchamiania 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 aktywności, zatrzymując się i zastanawiając nad każdym sprawdzianem wiedzy.
• Staraj się tworzyć projekty rozumiejąc lekcje, zamiast uruchamiać gotowe rozwiązania; jednak kody rozwiązań są dostępne w folderach /solution każdej lekcji projektowej.
• Rozwiąż quiz po wykładzie.
• Wykonaj wyzwanie.
• Wykonaj zadanie domowe.
• Po ukończeniu grupy lekcji odwiedź Tablicę Dyskusyjną i „ucz się na głos” wypełniając odpowiednią rubrykę PAT. PAT to narzędzie oceny postępów, czyli rubryka, którą wypełniasz, aby pogłębić naukę. Możesz też reagować na inne PATy, abyśmy mogli się uczyć razem.

Do dalszej nauki polecamy następujące moduły i ścieżki nauki Microsoft Learn.

Nauczyciele, przygotowaliśmy kilka sugestii dotyczących korzystania z tego programu.

---

Materiały wideo

Niektóre lekcje dostępne są w formie krótkich filmów. Znajdziesz je osadzone bezpośrednio w lekcjach lub na playliście ML for Beginners na kanale Microsoft Developer na YouTube, klikając poniższy obrazek.

---

Poznaj zespół

Gif autorstwa Mohit Jaisal

🎥 Kliknij powyższy obrazek, aby obejrzeć film o projekcie i ludziach, którzy go stworzyli!

---

Pedagogika

Przy budowie tego programu wybraliśmy dwie zasady dydaktyczne: zapewnienie praktycznego charakteru opartego na projektach oraz obecność częstych quizów. Dodatkowo, program ma wspólny motyw przewodni, który nadaje mu spójność.

Dzięki powiązaniu materiału z projektami proces nauki staje się bardziej angażujący, a zapamiętywanie pojęć jest skuteczniejsze. Niski próg trudności quizów przed zajęciami ustawia nastawienie ucznia na naukę tematu, a drugi quiz po zajęciach zapewnia lepsze utrwalenie wiedzy. Program został zaprojektowany tak, aby był elastyczny i przyjemny, można go realizować w całości lub częściowo. Projekty zaczynają się od małych, by stopniowo stawać się coraz bardziej złożone pod koniec 12-tygodniowego cyklu. Kurs zawiera również postscriptum o rzeczywistych zastosowaniach ML, które może służyć jako dodatkowe zadanie lub podstawa do dyskusji.

Znajdź nasze wytyczne: Kodeks postępowania, Wkład, Tłumaczenia oraz Rozwiązywanie problemów. Chętnie przyjmujemy Twoje konstruktywne uwagi!

Każda lekcja zawiera

• opcjonalną notatkę typu sketchnote
• opcjonalne wideo uzupełniające
• film instruktażowy (tylko niektóre lekcje)
• quiz rozgrzewkowy przed lekcją
• lekcję napisaną
• w lekcjach projektowych przewodniki krok po kroku jak zbudować projekt
• sprawdziany wiedzy
• wyzwanie
• dodatkowe lektury
• zadanie domowe
• quiz po lekcji

Uwagi o językach: Lekcje są głównie napisane w Pythonie, ale wiele jest także dostępnych w R. Aby ukończyć lekcję w R, przejdź do folderu /solution i znajdź lekcje R, które mają rozszerzenie .rmd reprezentujące plik R Markdown — można go po prostu zdefiniować jako osadzenie fragmentów kodu (R lub innych języków) i nagłówka YAML (który określa formatowanie wyników np. PDF) w dokumencie Markdown. Dzięki temu jest to wzorcowe środowisko autorskie dla data science, ponieważ pozwala łączyć kod, jego wyniki oraz twoje przemyślenia, zapisane w Markdown. Ponadto dokumenty R Markdown można renderować do formatów wyjściowych takich jak PDF, HTML czy Word.

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

Numer lekcji	Temat	Grupa lekcji	Cele kształcenia	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 uczniowie powinni rozważyć podczas tworzenia i stosowania modeli ML?	Lesson	Tomomi
04	Techniki w uczeniu maszynowym	Introduction	Jakie techniki wykorzystują badacze ML do tworzenia modeli ML?	Lesson	Chris and Jen
05	Wprowadzenie do regresji	Regression	Zacznij 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	Stwórz aplikację internetową do używania wytrenowanego modelu	Python	Jen
10	Wprowadzenie do klasyfikacji	Classification	Oczyść, przygotuj i wizualizuj swoje 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 rekomendacji używając swojego modelu	Python	Jen
14	Wprowadzenie do grupowania	Clustering	Oczyść, przygotuj i wizualizuj swoje dane; wprowadzenie do grupowania	Python • R	Jen • Eric Wanjau
15	Eksplorowanie nigeryjskich gustów muzycznych 🎧	Clustering	Poznaj metodę grupowania 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 wymagane przy pracy ze strukturami językowymi	Python	Stephen
18	Tłumaczenie i analiza sentymentu ♥️	Natural language processing	Tłumaczenie i analiza sentymentu z Jane Austen	Python	Stephen
19	Romantyczne hotele w Europie ♥️	Natural language processing	Analiza sentymentu na podstawie opinii o hotelach 1	Python	Stephen
20	Romantyczne hotele w Europie ♥️	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 Regressorem Wektorów Nośnych	Python	Anirban
24	Wprowadzenie do uczenia przez wzmacnianie	Reinforcement learning	Wprowadzenie do uczenia przez wzmacnianie z Q-Learning	Python	Dmitry
25	Pomóż Peterowi uniknąć wilka! 🐺	Reinforcement learning	Uczenie przez wzmacnianie w Gym	Python	Dmitry
Postscript	Scenariusze i zastosowania ML w rzeczywistym świecie	ML in the Wild	Interesujące i pouczające zastosowania klasycznego ML w rzeczywistych sytuacjach	Lesson	Team
Postscript	Debugowanie modelu ML przy użyciu pulpitu RAI	ML in the Wild	Debugowanie modelu 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. Rozgałęź to repozytorium, zainstaluj Docsify na swojej lokalnej maszynie, a następnie w katalogu głównym tego repozytorium wpisz docsify serve. Strona będzie serwowana 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 Generatywnej AI

---

Core Learning

---

Seria Copilot

Uzyskiwanie pomocy

Jeśli utkniesz lub masz pytania podczas nauki uczenia maszynowego lub tworzenia aplikacji AI, nie martw się — pomoc jest dostępna.

Możesz dołączyć do dyskusji z innymi uczącymi się i programistami, zadawać pytania i dzielić się swoimi pomysłami ze społecznością.

• Dołącz do społeczności, aby zadawać pytania i uczyć się wraz z innymi
• Dyskutuj o koncepcjach uczenia maszynowego i pomysłach na projekty
• Uzyskaj wskazówki od doświadczonych programistów

Wspierająca społeczność to świetny sposób na rozwijanie swoich umiejętności i szybsze rozwiązywanie problemów.

Microsoft Foundry Discord Community

Jeśli napotkasz błędy, problemy lub masz sugestie dotyczące ulepszeń, możesz również otworzyć Issue w tym repozytorium, aby zgłosić problem.

Aby przekazać opinię o produkcie lub przeszukać istniejące wpisy społeczności, odwiedź Forum deweloperów:

Dodatkowe wskazówki do nauki

• Przeglądaj notatniki po każdej lekcji, aby lepiej zrozumieć materiał.
• Ćwicz samodzielne implementowanie algorytmów.
• Eksploruj rzeczywiste zbiory danych, korzystając z poznanych koncepcji.

---

Zastrzeżenie: Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Choć dążymy do dokładności, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub niedokładności. Oryginalny dokument w jego języku źródłowym należy uznawać za autorytatywne źródło. W przypadku informacji krytycznych zalecane jest skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.