ML-For-Beginners/translations/pl

🌐 Wielojęzyczne wsparcie

Wsparcie za pomocą GitHub Action (Automatyczne i Zawsze Aktualne)

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

Wolisz klonować lokalnie?

To repozytorium zawiera ponad 50 tłumaczeń językowych, co znacznie zwiększa rozmiar do pobrania. Aby sklonować bez tłumaczeń, użyj 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'

Zapewnia to wszystko, czego potrzebujesz, aby ukończyć kurs, przy znacznie szybszym pobieraniu.

Dołącz do naszej społeczności

Prowadzimy serię „Learn with AI” na Discordzie, dowiedz się więcej i dołącz do nas na Learn with AI Series od 18 do 30 września 2025. Otrzymasz wskazówki i triki dotyczące używania GitHub Copilot do Data Science.

Uczenie maszynowe dla początkujących – program nauczania

🌍 Podróżuj po świecie, poznając uczenie maszynowe poprzez kultury świata 🌍

Cloud Advocates w Microsoft z przyjemnością oferują 12-tygodniowy program składający się z 26 lekcji o temacie Uczenie maszynowe. W tym programie nauczysz się tego, co czasem nazywa się klasycznym uczeniem maszynowym, używając głównie biblioteki Scikit-learn, unikając uczenia głębokiego, które jest omówione w naszym programie „AI dla początkujących”. Połącz te lekcje z naszym 'Data Science dla początkujących'!

Podróżuj z nami po świecie, stosując te klasyczne techniki do danych z różnych regionów. Każda lekcja zawiera quizy przed i po lekcji, pisemne instrukcje do wykonania lekcji, rozwiązanie, zadanie i więcej. Nasza projekto-orientowana pedagogika pozwala ci uczyć się poprzez tworzenie, co jest sprawdzoną metodą 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

🙏 Szczególne podziękowania 🙏 dla naszych autorów, recenzentów i współtwórców ze społeczności Microsoft Student Ambassador, zwłaszcza 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 Erica Wanjau, Jasleen Sondhi i Vidushi Gupta za nasze lekcje R!

Pierwsze kroki

Wykonaj następujące kroki:

1. Wykonaj 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 typowych problemów przy instalacji, konfiguracji i uruchamianiu lekcji.

Studenci, aby korzystać z tego programu, wykonaj fork całego repozytorium na własne konto GitHub i wykonuj ćwiczenia samodzielnie lub w grupie:

• Zacznij od quizu przed wykładem.
• Przeczytaj wykład i wykonaj zadania, zatrzymując się i zastanawiając nad każdym sprawdzeniem wiedzy.
• Staraj się tworzyć projekty rozumiejąc lekcje, a nie tylko uruchamiając gotowy kod; jednak kod jest dostępny w folderach /solution w każdej lekcji projektowej.
• Podejdź do quizu po wykładzie.
• Wykonaj wyzwanie.
• Wykonaj zadanie.
• Po ukończeniu grupy lekcji odwiedź Tablicę Dyskusyjną i „ucząc się na głos” wypełnij odpowiednią rubrykę PAT. 'PAT' to narzędzie oceny postępów, które wypełniasz, aby pogłębić naukę. Możesz też reagować na PAT innych, abyśmy mogli uczyć się razem.

Aby dalej się uczyć, polecamy kontynuowanie tych modułów i ścieżek nauki na Microsoft Learn.

Nauczyciele, zamieściliśmy kilka sugestii jak korzystać z tego programu.

---

Przewodniki wideo

Niektóre lekcje dostępne są w formie krótkiego filmu. Możesz znaleźć wszystkie wbudowane w lekcje lub na playliście ML for Beginners na kanale Microsoft Developer na YouTube klikając obrazek poniżej.

---

Poznaj zespół

Gif autorstwa Mohit Jaisal

🎥 Kliknij powyższy obrazek, aby obejrzeć film o projekcie i jego twórcach!

---

Pedagogika

Podczas budowania tego programu wybraliśmy dwie zasady pedagogiczne: zapewnienie, że jest on praktyczny, oparty na projektach oraz że zawiera częste quizy. Ponadto program ma wspólny motyw przewodni, który nadaje mu spójność.

Zapewnienie zgodności materiału z projektami sprawia, że proces staje się bardziej angażujący dla studentów, a przyswajanie koncepcji jest wzmocnione. Dodatkowo lekki quiz przed zajęciami nastawia ucznia na naukę tematu, a drugi po zajęciach zapewnia dalsze utrwalenie wiedzy. Program został zaprojektowany tak, aby był elastyczny i przyjemny, można go realizować w całości lub w częściach. Projekty zaczynają się od prostych i stają się coraz bardziej złożone do końca 12-tygodniowego cyklu. Program zawiera także posłowie dotyczące zastosowań ML w praktyce, które można wykorzystać jako dodatek lub bazę do dyskusji.

Znajdź nasze wytyczne: Kodeks postępowania, Wkład, Tłumaczenia i Rozwiązywanie problemów. Czekamy na twoją konstruktywną opinię!

Każda lekcja zawiera

• opcjonalne notatki graficzne
• opcjonalne dodatkowe wideo
• przewodnik wideo (niektóre lekcje)
• quiz rozgrzewkowy przed wykładem
• pisemną lekcję
• dla lekcji projektowych - przewodnik krok po kroku, jak stworzyć projekt
• sprawdzenia wiedzy
• wyzwanie
• uzupełniającą lekturę
• zadanie domowe
• quiz po wykładzie

Uwagi o językach: Te lekcje są głównie napisane w Pythonie, ale wiele dostępnych jest również w R. Aby ukończyć lekcję w R, przejdź do folderu /solution i znajdź lekcje R. Mają one rozszerzenie .rmd, które oznacza plik R Markdown, który można prosto zdefiniować jako osadzenie fragmentów kodu (w R lub innych językach) oraz nagłówka YAML (który wskazuje, jak formatuje się wyniki, np. PDF) w dokumencie Markdown. Służy on jako przykład ram autorskich dla data science, ponieważ pozwala łączyć kod, jego wyniki oraz Twoje komentarze, pisząc je w Markdown. Ponadto dokumenty R Markdown można renderować do formatów takich jak PDF, HTML lub Word. Notatka 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 ją lokalnie lub wdrożyć na Azure.

Numer lekcji	Temat	Grupa lekcji	Cele nauki	Powiązana lekcja	Autorzy
01	Wprowadzenie do uczenia maszynowego	Wprowadzenie	Poznaj podstawowe pojęcia związane z uczeniem maszynowym	Lekcja	Muhammad
02	Historia uczenia maszynowego	Wprowadzenie	Poznaj historię stojącą za tą dziedziną	Lekcja	Jen i Amy
03	Sprawiedliwość i uczenie maszynowe	Wprowadzenie	Jakie są ważne kwestie filozoficzne dotyczące sprawiedliwości, które studenci powinni rozważyć budując i stosując modele ML?	Lekcja	Tomomi
04	Techniki uczenia maszynowego	Wprowadzenie	Jakie techniki stosują badacze uczenia maszynowego do tworzenia modeli ML?	Lekcja	Chris i Jen
05	Wprowadzenie do regresji	Regresja	Zacznij pracę z Pythonem i Scikit-learn przy modelach regresji	Python • R	Jen • Eric Wanjau
06	Północnoamerykańskie ceny dyni 🎃	Regresja	Wizualizuj i oczyszczaj dane przygotowując je do ML	Python • R	Jen • Eric Wanjau
07	Północnoamerykańskie ceny dyni 🎃	Regresja	Buduj modele regresji liniowej i wielomianowej	Python • R	Jen i Dmitry • Eric Wanjau
08	Północnoamerykańskie ceny dyni 🎃	Regresja	Buduj model regresji logistycznej	Python • R	Jen • Eric Wanjau
09	Aplikacja webowa 🔌	Aplikacja webowa	Zbuduj aplikację webową korzystającą z Twojego wytrenowanego modelu	Python	Jen
10	Wprowadzenie do klasyfikacji	Klasyfikacja	Oczyść, przygotuj i wizualizuj dane; wprowadzenie do klasyfikacji	Python • R	Jen i Cassie • Eric Wanjau
11	Pyszne kuchnie Azji i Indii 🍜	Klasyfikacja	Wprowadzenie do klasyfikatorów	Python • R	Jen i Cassie • Eric Wanjau
12	Pyszne kuchnie Azji i Indii 🍜	Klasyfikacja	Więcej klasyfikatorów	Python • R	Jen i Cassie • Eric Wanjau
13	Pyszne kuchnie Azji i Indii 🍜	Klasyfikacja	Zbuduj rekomendującą aplikację webową używając swojego modelu	Python	Jen
14	Wprowadzenie do klasteryzacji	Klasteryzacja	Oczyść, przygotuj i wizualizuj swoje dane; wprowadzenie do klasteryzacji	Python • R	Jen • Eric Wanjau
15	Poznawanie 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	Powszechne zadania NLP ☕️	Przetwarzanie języka naturalnego	Pogłęb swoją wiedzę o NLP rozumiejąc powszechne zadania wymagane przy pracy ze strukturą języka	Python	Stephen
18	Tłumaczenie i analiza sentymentu ♥️	Przetwarzanie języka naturalnego	Tłumaczenie i analiza sentymentu z Jane Austen	Python	Stephen
19	Romantyczne hotele Europy ♥️	Przetwarzanie języka naturalnego	Analiza sentymentu na podstawie recenzji hoteli 1	Python	Stephen
20	Romantyczne hotele Europy ♥️	Przetwarzanie języka naturalnego	Analiza sentymentu na podstawie recenzji 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 użyciem ARIMA	Python	Francesca
23	⚡️ Zużycie energii na świecie ⚡️ - prognozowanie szeregów czasowych z SVR	Szeregi czasowe	Prognozowanie szeregów czasowych za pomocą regresji wektorów nośnych	Python	Anirban
24	Wprowadzenie do uczenia ze wzmocnieniem	Uczenie ze wzmocnieniem	Wprowadzenie do uczenia ze wzmocnieniem z Q-Learning	Python	Dmitry
25	Pomóż Peterowi unikać wilka! 🐺	Uczenie ze wzmocnieniem	Gym dla uczenia ze wzmocnieniem	Python	Dmitry
Postscript	Scenariusze i zastosowania ML w rzeczywistym świecie	ML w praktyce	Ciekawe i pouczające zastosowania klasycznego ML w praktyce	Lekcja	Zespół
Postscript	Debugowanie modeli ML z użyciem panelu RAI	ML w praktyce	Debugowanie modeli w uczeniu maszynowym z wykorzystaniem komponentów panelu Responsible AI	Lekcja	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 komputerze lokalnym, a następnie w głównym folderze tego repozytorium wpisz docsify serve. Strona będzie dostępna na porcie 3000 na twoim localhost: localhost:3000.

PDF-y

Znajdź pdf programu nauczania z linkami tutaj.

🎒 Inne kursy

Nasz zespół tworzy inne kursy! Sprawdź:

LangChain

Azure / Edge / MCP / Agenci

---

Seria Generatywnej 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 z wykorzystaniem usługi tłumaczenia AI Co-op Translator. Chociaż dążymy do dokładności, prosimy pamiętać, że automatyczne tłumaczenia mogą zawierać błędy lub nieścisłości. Oryginalny dokument w języku źródłowym należy traktować jako źródło wiarygodne. 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.