ML-For-Beginners/translations/cs

🌐 Podpora více jazyků

Podporováno přes GitHub Action (automatizované 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

Dáváte přednost klonování lokálně?

Tento repozitář obsahuje více než 50 překladů jazyků, což výrazně zvětšuje velikost staženého souboru. Pro klonování bez překladů použijte 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'

Díky tomu získáte vše potřebné pro dokončení kurzu s výrazně rychlejším stažením.

Připojte 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 použití GitHub Copilot pro Data Science.

Strojové učení pro začátečníky – učební plán

🌍 Cestujte po celém světě a prozkoumejte strojové učení prostřednictvím světových kultur 🌍

Cloud Advocates ve společnosti Microsoft s potěšením nabízejí 12týdenní kurz o 26 lekcích zaměřený na strojové učení. V tomto kurzu se dozvíte o tom, co se někdy nazývá klasické strojové učení, které primárně používá knihovnu Scikit-learn a neobsahuje hluboké učení, které je pokryto v našem kurzu AI pro začátečníky. Kombinujte tyto lekce také s naším 'Data Science pro začátečníky'.

Cestujte s námi po světě, zatímco aplikujeme tyto klasické techniky na data z různých koutů světa. Každá lekce obsahuje před a po lekci kvízy, písemné instrukce k dokončení lekce, řešení, úkol a další. Naše projektově orientovaná pedagogika vám umožňuje učit se při tvorbě, což je ověřený způsob, jak si nové dovednosti lépe osvojit.

✍️ Srdečné poděkování 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

🎨 Poděkování také našim ilustrátorům Tomomi Imura, Dasani Madipalli a Jen Looper

🙏 Zvláštní poděkování 🙏 patří našim Microsoft Student Ambassador autorům, recenzentům a přispěvatelům obsahu, zejména Rishit Dagli, Muhammad Sakib Khan Inan, Rohan Raj, Alexandru Petrescu, Abhishek Jaiswal, Nawrin Tabassum, Ioan Samuila a Snigdha Agarwal

🤩 Extra dík Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi a Vidushi Gupta za naše R lekce!

Začínáme

Postupujte podle těchto kroků:

1. Forkujte repozitář: Klikněte na tlačítko „Fork“ vpravo nahoře na této stránce.
2. Klonujte repozitář: git clone https://github.com/microsoft/ML-For-Beginners.git

všechny další zdroje pro tento kurz najdete v naší kolekci Microsoft Learn

🔧 Potřebujete pomoc? Podívejte se do našeho Průvodce řešením problémů pro řešení běžných problémů s instalací, nastavením a spouštěním lekcí.

Studenti, pro použití tohoto kurzu si forknete celý repozitář do svého GitHub účtu a cvičení dokončujte sami nebo ve skupině:

• Začněte přednáškovým kvízem.
• Přečtěte si lekci a dokončete aktivity, zastavujte se a zamýšlejte se u každé kontroly znalostí.
• Pokuste se projekty vytvořit tím, že lekce pochopíte, místo aby jste jen spouštěli kód řešení; tento kód však je dostupný ve složkách /solution v každé projektově orientované lekci.
• Udělejte závěrečný kvíz po lekci.
• Vykonejte výzvu.
• Dokončete úkol.
• Po dokončení skupiny lekcí navštivte Diskusní fórum a „učte se nahlas“ vyplněním odpovídajícího hodnotícího rubriky PAT. PAT je Nástroj pro hodnocení pokroku, rubrika, kterou vyplňujete, abyste prohloubili 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, nabízíme několik návrhů, jak tento kurz využít.

---

Video průvodci

Některé lekce jsou dostupné jako krátká videa. Všechny je najdete vložené přímo v lekcích nebo na playlistu ML pro začátečníky 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 jej vytvořili!

---

Pedagogika

Při tvorbě tohoto kurzu jsme zvolili dva pedagogické principy: zajistit, aby byl kurz hands-on, projektově orientovaný a aby obsahoval časté kvízy. Navíc kurz má společné téma pro lepší soudržnost.

Zajištěním, že obsah odpovídá projektům, je proces pro studenty více zábavný a lépe se jim uchovávají koncepty. Také nízkorizikový test před hodinou nastaví záměr studenta se učit dané téma, zatímco druhý kvíz po hodině zajistí další upevnění znalostí. Tento kurz byl navržen flexibilní a zábavný a lze jej absolvovat celý nebo jen částečně. Projekty začínají jednoduše a na konci 12týdenního cyklu se stávají postupně složitějšími. Kurz také obsahuje postskriptum o reálných aplikacích ML, které může být použito jako dodatečný kredit nebo jako téma k diskusi.

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

Každá lekce obsahuje

• nepovinnou skicu
• nepovinné doplňkové video
• video průvodce (jen některé lekce)
• přednáškový zahřívací kvíz
• psanou lekci
• u projektově orientovaných lekcí kroky, jak projekt vybudovat
• kontroly znalostí
• výzvu
• doplňující čtení
• úkol
• kvíz po lekci

Poznámka o jazycích: Tyto lekce jsou primárně psány v Pythonu, ale mnohé jsou také dostupné v R. Pro dokončení R lekce přejděte do složky /solution a vyhledejte lekce v R. Obsahují příponu .rmd, což představuje soubor R Markdown, což lze jednoduše definovat jako vložení kódu (R nebo jiných jazyků) a YAML hlavičky (která určuje, jak formátovat výstupy jako PDF) do Markdown dokumentu. Slouží tedy jako vzorové autorovací prostředí pro data science, protože vám umožňuje spojit kód, jeho výstup a vaše poznámky, které můžete psát do Markdownu. Navíc R Markdown dokumenty mohou být renderovány do výstupních formátů jako PDF, HTML nebo Word. Poznámka k kvízům: Všechny kvízy jsou obsaženy ve složce Quiz App folder, celkem 52 kvízů po třech otázkách. Jsou propojeny z lekcí, ale kvízovou aplikaci lze spustit lokálně; postupujte podle pokynů 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	Úvod	Naučit se základní pojmy strojového učení	Lekce	Muhammad
02	Historie strojového učení	Úvod	Poznat historii tohoto oboru	Lekce	Jen a Amy
03	Spravedlnost a strojové učení	Úvod	Jaké jsou důležité filozofické otázky ohledně spravedlnosti, které by měli studenti zvážit při tvorbě a aplikaci ML modelů?	Lekce	Tomomi
04	Techniky strojového učení	Úvod	Jaké techniky používají vědci ML k vytváření ML modelů?	Lekce	Chris a Jen
05	Úvod do regrese	Regrese	Začít s Pythonem a Scikit-learn pro regresní modely	Python • R	Jen • Eric Wanjau
06	Ceny dýní v Severní Americe 🎃	Regrese	Vizualizace a čištění dat jako příprava pro ML	Python • R	Jen • Eric Wanjau
07	Ceny dýní v Severní Americe 🎃	Regrese	Vytváření lineárních a polynomiálních regresních modelů	Python • R	Jen a Dmitry • Eric Wanjau
08	Ceny dýní v Severní Americe 🎃	Regrese	Sestavení logistického regresního modelu	Python • R	Jen • Eric Wanjau
09	Webová aplikace 🔌	Web App	Vytvořit webovou aplikaci pro použití vašeho trénovaného modelu	Python	Jen
10	Úvod do klasifikace	Klasifikace	Čištění, příprava a vizualizace dat; úvod do klasifikace	Python • R	Jen a Cassie • Eric Wanjau
11	Lahodné asijské a indické kuchyně 🍜	Klasifikace	Úvod do klasifikátorů	Python • R	Jen a Cassie • Eric Wanjau
12	Lahodné asijské a indické kuchyně 🍜	Klasifikace	Více klasifikátorů	Python • R	Jen a Cassie • Eric Wanjau
13	Lahodné asijské a indické kuchyně 🍜	Klasifikace	Vytvořit doporučující webovou aplikaci pomocí svého modelu	Python	Jen
14	Úvod do shlukování	Shlukování	Čištění, příprava a vizualizace dat; úvod do shlukování	Python • R	Jen • Eric Wanjau
15	Průzkum nigerijských hudebních chutí 🎧	Shlukování	Prozkoumat metodu K-Means shlukování	Python • R	Jen • Eric Wanjau
16	Úvod do zpracování přirozeného jazyka ☕️	Zpracování přirozeného jazyka	Naučit se základy NLP tvorbou jednoduchého bota	Python	Stephen
17	Běžné úkoly NLP ☕️	Zpracování přirozeného jazyka	Prohloubit znalosti NLP pochopením běžných úkolů při práci s jazykovými strukturami	Python	Stephen
18	Překlad a analýza sentimentu ♥️	Zpracování přirozeného jazyka	Překlad a analýza sentimentu s Jane Austen	Python	Stephen
19	Romantické hotely Evropy ♥️	Zpracování přirozeného jazyka	Analýza sentimentu s recenzemi hotelů 1	Python	Stephen
20	Romantické hotely Evropy ♥️	Zpracování přirozeného jazyka	Analýza sentimentu s recenzemi hotelů 2	Python	Stephen
21	Úvod do predikce časových řad	Časové řady	Úvod do predikce časových řad	Python	Francesca
22	⚡️ Globální spotřeba elektřiny ⚡️ - predikce časových řad s ARIMA	Časové řady	Predikce časových řad pomocí ARIMA	Python	Francesca
23	⚡️ Globální spotřeba elektřiny ⚡️ - predikce časových řad s SVR	Časové řady	Predikce časových řad pomocí Support Vector Regressoru	Python	Anirban
24	Úvod do posilovaného učení	Posilované učení	Úvod do posilovaného učení s Q-Learning	Python	Dmitry
25	Pomozte Petrovi vyhnout se vlkovi! 🐺	Posilované učení	Posilované učení Gym	Python	Dmitry
Postscript	Scénáře a aplikace ML v reálném světě	ML v praxi	Zajímavé a odhalující aplikace klasického ML	Lekce	Tým
Postscript	Ladění modelů v ML pomocí RAI dashboardu	ML v praxi	Ladění modelů v ML pomocí komponentů Responsible AI dashboardu	Lekce	Ruth Yakubu

najděte všechny další zdroje k tomuto kurzu v naší kolekci Microsoft Learn

Offline přístup

Tuto dokumentaci lze spustit offline pomocí Docsify. Forkněte tento repozitář, nainstalujte Docsify na svůj počítač a poté v kořenové složce tohoto repozitáře spusťte příkaz docsify serve. Webová stránka bude dostupná na portu 3000 na vašem localhostu: localhost:3000.

PDF

Najděte zde pdf osnovy s odkazy zde.

🎒 Ostatní kurzy

Náš tým vyrábí i další kurzy! Podívejte se:

LangChain

---

Azure / Edge / MCP / Agenti

---

Generativní AI série

---

Základní učení

---

Série Copilot

Získání pomoci

Pokud jste uvízli nebo máte nějaké otázky ohledně vytváření AI aplikací. Připojte se k ostatním studentům a zkušeným vývojářům v diskusích o MCP. Je to podpůrná komunita, kde jsou otázky vítány a znalosti se volně sdílejí.

Pokud máte zpětnou vazbu k produktu nebo narazíte na chyby během vývoje, 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 automatizované překlady mohou obsahovat chyby nebo nepřesnosti. Originální dokument v jeho původním jazyce by měl být považován za autoritativní zdroj. Pro kritické informace doporučujeme využít profesionální lidský překlad. Nejsme odpovědní za jakékoliv nedorozumění nebo nesprávné výklady vyplývající z použití tohoto překladu.