ML-For-Beginners/translations/cs

🌐 Vícejazyčná podpora

Podporováno pomocí GitHub Action (automatizováno a vždy aktuální)

Arabština | Bengálština | Bulharština | Barmština (Myanmar) | Čínština (zjednodušená) | Čínština (tradiční, Hongkong) | Čínština (tradiční, Macao) | Čínština (tradiční, Tchaj-wan) | Chorvatština | Čeština | Dánština | Nizozemština | Estonština | Finština | Francouzština | Němčina | Řečtina | Hebrejština | Hindština | Maďarština | Indonéština | Italština | Japonština | Kannadština | Korejština | Litevština | Malajština | Malajálamština | Maráthština | Nepálština | Nigerijská pidžinština | Norština | Perština (Farsi) | Polština | Portugalština (Brazílie) | Portugalština (Portugalsko) | Paňdžábština (Gurmukhi) | Rumunština | Ruština | Srbština (cyrilice) | Slovenština | Slovinština | Španělština | Svahilština | Švédština | Tagalog (filipínština) | Tamilština | Telugština | Thajština | Turečtina | Ukrajinština | Urdština | Vietnamština

Přidejte se do naší komunity

Máme probíhající sérii Learn with AI na Discordu, dozvíte se více a připojte se k nám na Série Učte se s AI od 18. do 30. září 2025. Dostanete tipy a triky pro použití GitHub Copilot pro Data Science.

Machine Learning for Beginners - Učební plán

🌍 Procestujte svět s námi, když zkoumáme strojové učení prostřednictvím světových kultur 🌍

Cloud Advocates v Microsoftu s radostí nabízejí 12týdenní kurikulum o 26 lekcích zaměřené na strojové učení. V tomto kurikulu se dozvíte o tom, co se někdy nazývá klasické strojové učení, především s použitím knihovny Scikit-learn a vynecháním hloubkového učení, které je pokryto v našem kurikulu AI for Beginners. Kombinujte tyto lekce také s naším 'Data Science for Beginners' kurikulem.

Cestujte s námi po světě, když aplikujeme tyto klasické techniky na data z mnoha oblastí světa. Každá lekce obsahuje před- a po- lekční kvízy, psané pokyny k dokončení lekce, řešení, zadání a další. Naše projektově orientovaná pedagogika vám umožní učit se při stavění projektů, což je osvědčený způsob, jak se nové dovednosti „uchytí“.

✍️ Srdečné díky 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

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

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

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

Začínáme

Postupujte podle těchto kroků:

1. Vytvořte fork repozitáře: Klikněte na tlačítko "Fork" v pravém horním rohu této stránky.
2. Klonujte repozitář: git clone https://github.com/microsoft/ML-For-Beginners.git

najděte všechny doplňkové zdroje pro tento kurz v naší kolekci Microsoft Learn

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

Studenti, chcete-li používat toto kurikulum, udělejte fork celého repozitáře do svého vlastního GitHub účtu a dokončete cvičení sami nebo ve skupině:

• Začněte přednáškovým kvízem před lekcí.
• Přečtěte si přednášku a dokončete aktivity, zastavujte se a přemýšlejte u každé kontrolní otázky.
• Snažte se vytvářet projekty porozuměním lekcí spíše než spuštěním kódu řešení; tento kód je však dostupný ve složkách /solution v každé lekci orientované na projekt.
• Udělejte si kvíz po lekci.
• Dokončete výzvu.
• Vypracujte úkol.
• Po dokončení skupiny lekcí navštivte Diskusní fórum a „učte se nahlas“ vyplněním příslušné PAT rubriky. 'PAT' je nástroj pro hodnocení pokroku (Progress Assessment Tool), což je rubrika, kterou vyplníte pro další rozvoj učení. Můžete také reagovat na jiné PATy, abychom se mohli učit společně.

Pro další studium doporučujeme následovat tyto moduly a learning pathy na Microsoft Learn.

Učitelé, zahrnuli jsme několik návrhů jak použít toto kurikulum.

---

Video průchody

Některé lekce jsou dostupné jako krátká videa. Vše najdete přímo v lekcích, nebo na playlistu ML for Beginners na kanálu Microsoft Developer na YouTube 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 kurikula jsme zvolili dva pedagogické principy: zajistit, aby bylo praktické a projektově orientované, a aby obsahovalo časté kvízy. Navíc má toto kurikulum společné téma, které mu dodává soudržnost.

Zajištěním souladu obsahu s projekty je proces pro studenty zajímavější a retenční schopnost konceptů se zvýší. Nízkorizikový kvíz před hodinou nastaví záměr studenta směrem k učení tématu, zatímco druhý kvíz po hodině zajistí další zapamatování. Toto kurikulum je navrženo jako flexibilní a zábavné a lze jej absolvovat jako celek nebo po částech. Projekty začínají malými kroky a postupně se do konce 12týdenního cyklu zvyšují na složitější úroveň. Kurikulum také obsahuje dodatek o reálných aplikacích ML, který lze použít jako bonusové body nebo jako základ pro diskusi.

Najděte náš Kodex chování, Příspěvky, Překlady a Řešení problémů. Vítáme vaše konstruktivní připomínky!

Každá lekce obsahuje

• volitelnou sketchnotu
• volitelné doplňkové video
• video průchod (pouze u některých lekcí)
• přednáškový rozcvičovací kvíz
• psanou lekci
• u projektově orientovaných lekcí krok za krokem návody, jak projekt vybudovat
• kontrolní otázky
• výzvu
• doplňující četbu
• úkol
• povylekční kvíz

Poznámka o jazycích: Tyto lekce jsou primárně psány v Pythonu, ale mnoho z nich je také dostupné v R. Pro dokončení lekce v R přejděte do složky /solution a hledejte lekce v jazyce R. Obsahují příponu .rmd, která představuje R Markdown soubor, který lze jednoduše definovat jako vložení kódu (v R nebo jiných jazycích) a YAML hlavičky (která určuje, jak formátovat výstupy, například PDF) do Markdown dokumentu. Jako takový slouží jako vzorový autorovací rámec pro datovou vědu, protože umožňuje kombinovat váš kód, jeho výstupy a vaše poznámky tím, že je můžete zapsat v Markdownu. Navíc lze R Markdown dokumenty renderovat do výstupních formátů jako PDF, HTML nebo Word.

Poznámka o kvízech: Všechny kvízy jsou obsaženy ve složce Quiz App, celkem 52 kvízů po třech otázkách. Jsou propojeny z lekcí, ale aplikaci s kvízy lze spustit lokálně; postupujte podle instrukcí ve složce quiz-app pro lokální hostování nebo nasazení do Azure.

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	Úvod do strojového učení	Úvod	Seznamte se se základními pojmy strojového učení	Lekce	Muhammad
02	Historie strojového učení	Úvod	Seznamte se s historií tohoto oboru	Lekce	Jen a Amy
03	Férovost a strojové učení	Úvod	Jaké jsou důležité filosofické otázky týkající se férovosti, které by studenti měli zvážit při vytváření a nasazování modelů ML?	Lekce	Tomomi
04	Techniky pro strojové učení	Úvod	Jaké techniky používají výzkumníci v ML k vytváření modelů?	Lekce	Chris a Jen
05	Úvod do regrese	Regrese	Začněte s Pythonem a Scikit-learn pro regresní modely	Python • R	Jen • Eric Wanjau
06	Ceny dýní v Severní Americe 🎃	Regrese	Vizualizujte a vyčistěte data jako přípravu pro ML	Python • R	Jen • Eric Wanjau
07	Ceny dýní v Severní Americe 🎃	Regrese	Sestavte lineární a polynomiální regresní modely	Python • R	Jen a Dmitry • Eric Wanjau
08	Ceny dýní v Severní Americe 🎃	Regrese	Vytvořte logistický regresní model	Python • R	Jen • Eric Wanjau
09	Webová aplikace 🔌	Webová aplikace	Vytvořte webovou aplikaci pro použití natrénovaného modelu	Python	Jen
10	Úvod do klasifikace	Klasifikace	Vyčistěte, připravte a vizualizujte svá data; 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	Další klasifikátory	Python • R	Jen a Cassie • Eric Wanjau
13	Lahodné asijské a indické kuchyně 🍜	Klasifikace	Vytvořte doporučující webovou aplikaci pomocí svého modelu	Python	Jen
14	Úvod do shlukování	Shlukování	Vyčistěte, připravte a vizualizujte svá data; úvod do shlukování	Python • R	Jen • Eric Wanjau
15	Zkoumání nigerijských hudebních preferencí 🎧	Shlukování	Prozkoumejte metodu shlukování K-Means	Python • R	Jen • Eric Wanjau
16	Úvod do zpracování přirozeného jazyka ☕️	Zpracování přirozeného jazyka	Naučte se základy NLP vytvořením jednoduchého bota	Python	Stephen
17	Běžné úkoly NLP ☕️	Zpracování přirozeného jazyka	Prohlubte své znalosti NLP pochopením běžných úkolů, které jsou potřeba při práci s jazykovými strukturami	Python	Stephen
18	Překlad a analýza sentimentu ♥️	Zpracování přirozeného jazyka	Překlad a analýza sentimentu na textech Jane Austen	Python	Stephen
19	Romantické hotely v Evropě ♥️	Zpracování přirozeného jazyka	Analýza sentimentu s recenzemi hotelů 1	Python	Stephen
20	Romantické hotely v Evropě ♥️	Zpracování přirozeného jazyka	Analýza sentimentu s recenzemi hotelů 2	Python	Stephen
21	Úvod do předpovídání časových řad	Časové řady	Úvod do předpovídání časových řad	Python	Francesca
22	⚡️ Spotřeba elektrické energie ve světě ⚡️ - předpovídání časových řad pomocí ARIMA	Časové řady	Předpovídání časových řad pomocí ARIMA	Python	Francesca
23	⚡️ Spotřeba elektrické energie ve světě ⚡️ - předpovídání časových řad pomocí SVR	Časové řady	Předpovídání časových řad pomocí Support Vector Regressor	Python	Anirban
24	Úvod do učení posilováním	Učení posilováním	Úvod do učení posilováním s Q-Learning	Python	Dmitry
25	Pomozte Peterovi vyhnout se vlkovi! 🐺	Učení posilováním	Gym pro učení posilováním	Python	Dmitry
Dodatek	Scénáře a aplikace ML v reálném světě	ML v praxi	Zajímavé a poučné aplikace klasického ML v reálném světě	Lekce	Tým
Dodatek	Ladění modelů v ML pomocí RAI dashboardu	ML v praxi	Ladění modelů v strojovém učení pomocí komponent Responsible AI dashboard	Lekce	Ruth Yakubu

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

Offline přístup

Tuto dokumentaci můžete spustit offline pomocí Docsify. Forkněte tento repo, nainstalujte Docsify na svůj lokální počítač, a pak v kořenové složce tohoto repozitáře zadejte docsify serve. Web bude dostupný na portu 3000 na vašem localhostu: localhost:3000.

PDF

Najdete PDF kurikula s odkazy zde.

🎒 Další kurzy

Náš tým vytváří i jiné kurzy! Podívejte se:

LangChain

---

Azure / Edge / MCP / Agenti

---

Generative AI Series

---

Základní kurzy

---

Série Copilot

Získání pomoci

Pokud se zaseknete nebo budete mít 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 sdílejí volně.

Pokud máte zpětnou vazbu k produktu nebo při vývoji narazíte na chyby, navštivte:

---

Vyloučení odpovědnosti: Tento dokument byl přeložen pomocí služby pro překlad využívající umělou inteligenci Co-op Translator (https://github.com/Azure/co-op-translator). I když usilujeme o přesnost, mějte prosím na paměti, že automatické překlady mohou obsahovat chyby nebo nepřesnosti. Původní dokument v jeho originálním jazyce by měl být považován za autoritativní zdroj. Pro kritické informace se doporučuje profesionální lidský překlad. Nejsme odpovědní za jakákoli nedorozumění nebo mylné výklady vzniklé v důsledku použití tohoto překladu.