ML-For-Beginners/translations/pl

🌐 Wsparcie wielu języków

Obsługiwane przez GitHub Action (zautomatyzowane 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 | Nigeryjski pidżin | 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 Discord Learn with AI — dowiedz się więcej i dołącz do nas na Learn with AI Series w dniach 18–30 września 2025 r. Otrzymasz wskazówki i triki dotyczące używania GitHub Copilot w Data Science.

Machine Learning for Beginners - A Curriculum

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

Cloud Advocates w Microsoft cieszą się, że mogą zaoferować 12-tygodniowy program nauczania składający się z 26 lekcji poświęconych Uczeniu maszynowemu. W tym programie nauczysz się tego, co czasami nazywa się klasycznym uczeniem maszynowym, korzystając głównie z biblioteki Scikit-learn i unikając uczenia głębokiego, które jest omówione w naszym programie nauczania 'AI for Beginners'. Połącz te lekcje z naszym programem nauczania 'Data Science for Beginners'!

Podróżuj z nami po świecie, stosując te klasyczne techniki do danych z wielu regionów. Każda lekcja zawiera quiz przed- i po- wykładzie, instrukcje pisemne do wykonania lekcji, rozwiązanie, zadanie oraz więcej. Nasza pedagogika oparta na projektach pozwala uczyć się poprzez budowanie — sprawdzony sposób, aby nowe umiejętności „pozostały”.

✍️ 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 🙏 naszym autorom, recenzentom i współtwórcom treści z 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 Microsoft Student Ambassadors Eric Wanjau, Jasleen Sondhi i Vidushi Gupta za nasze lekcje w R!

Pierwsze kroki

Wykonaj następujące kroki:

1. Sforkuj 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 rozwiązania typowych problemów z instalacją, konfiguracją i uruchamianiem lekcji.

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

• Zacznij od quizu rozgrzewkowego przed wykładem.
• Przeczytaj wykład i wykonaj aktywności, zatrzymując się i zastanawiając przy każdym sprawdzeniu wiedzy.
• Staraj się tworzyć projekty, rozumiejąc lekcje, zamiast uruchamiać od razu kod rozwiązania; jednak kod ten jest dostępny w folderach /solution w każdej lekcji zorientowanej na projekt.
• Zrób quiz po wykładzie.
• Wykonaj wyzwanie.
• Wykonaj zadanie.
• Po ukończeniu grupy lekcji odwiedź Tablicę dyskusyjną i „ucz się na głos”, wypełniając odpowiednią rubrykę PAT. 'PAT' to Narzędzie Oceny Postępów (Progress Assessment Tool) — rubryka, którą wypełniasz, aby pogłębić swoje nauczanie. Możesz również reagować na inne PATy, abyśmy mogli uczyć się razem.

Dla dalszych studiów zalecamy śledzenie tych modułów i ścieżek nauki na Microsoft Learn.

Nauczyciele, zamieściliśmy kilka sugestii dotyczących sposobu korzystania z tego programu nauczania.

---

Przewodniki wideo

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

---

Poznaj zespół

GIF autorstwa Mohit Jaisal

🎥 Kliknij powyższy obraz, aby obejrzeć wideo o projekcie i ludziach, którzy go stworzyli!

---

Metodyka nauczania

Wybraliśmy dwa założenia pedagogiczne podczas tworzenia tego programu nauczania: zapewnienie, że jest praktyczny (oparty na projektach) oraz że zawiera częste quizy. Dodatkowo, ten program ma wspólny motyw przewodni, aby nadać mu spójność.

Zapewniając, że treść jest powiązana z projektami, proces staje się bardziej angażujący dla uczniów, a utrwalenie koncepcji zostaje zwiększone. Ponadto quiz o niskiej stawce przed zajęciami ustawia intencję ucznia na naukę tematu, podczas gdy drugi quiz po zajęciach zapewnia dalsze utrwalenie. Program został zaprojektowany, aby był elastyczny i przyjemny — można go realizować w całości lub częściowo. Projekty zaczynają się małe i stają się coraz bardziej złożone do końca 12-tygodniowego cyklu. Program zawiera również posłowie dotyczące zastosowań ML w świecie rzeczywistym, które można wykorzystać jako dodatkowe punkty lub jako podstawę do dyskusji.

Znajdź nasz Kodeks postępowania, Wkład (Contributing), Tłumaczenia (Translation) i wytyczne Rozwiązywania problemów. Cenimy sobie Twoją konstruktywną opinię!

Każda lekcja zawiera

• opcjonalną sketchnotkę
• opcjonalne wideo uzupełniające
• przewodnik wideo (tylko niektóre lekcje)
• quiz rozgrzewkowy przed wykładem
• lekcję w formie pisemnej
• w lekcjach opartych na projektach — przewodniki krok po kroku jak zbudować projekt
• sprawdzenia wiedzy
• wyzwanie
• materiały uzupełniające
• zadanie
• quiz po wykładzie

Uwaga o językach: Te lekcje są napisane głównie 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 reprezentuje plik R Markdown, co można zdefiniować jako osadzenie code chunks (R lub innych języków) oraz YAML header (który wskazuje, jak formatować wyjścia, takie jak PDF) w Markdown document. W ten sposób służy ono jako przykładowe środowisko do tworzenia materiałów dla data science, ponieważ pozwala połączyć kod, jego wynik i Twoje przemyślenia, pisząc je w Markdown. Co więcej, 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 powiązane w lekcjach, ale aplikację quizową można uruchomić lokalnie; postępuj zgodnie z instrukcjami w folderze quiz-app, aby uruchomić ją lokalnie lub wdrożyć w Azure.

Lesson Number	Topic	Lesson Grouping	Learning Objectives	Linked Lesson	Author
01	Wprowadzenie do uczenia maszynowego	Wprowadzenie	Poznaj podstawowe koncepcje leżące u podstaw uczenia maszynowego	Lekcja	Muhammad
02	Historia uczenia maszynowego	Wprowadzenie	Poznaj historię stojącą za tą dziedziną	Lekcja	Jen i Amy
03	Sprawiedliwość w uczeniu maszynowym	Wprowadzenie	Jakie są ważne kwestie filozoficzne związane ze sprawiedliwością, które studenci powinni rozważyć podczas tworzenia i stosowania modeli ML?	Lekcja	Tomomi
04	Techniki uczenia maszynowego	Wprowadzenie	Jakich technik używają badacze ML do tworzenia modeli?	Lekcja	Chris i Jen
05	Wprowadzenie do regresji	Regresja	Rozpocznij pracę z Pythonem i Scikit-learn dla modeli regresji	Python • R	Jen • Eric Wanjau
06	Ceny dyni w Ameryce Północnej 🎃	Regresja	Wizualizuj i oczyszczaj dane w przygotowaniu do ML	Python • R	Jen • Eric Wanjau
07	Ceny dyni w Ameryce Północnej 🎃	Regresja	Buduj modele regresji liniowej i wielomianowej	Python • R	Jen i 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 do używania wytrenowanego modelu	Python	Jen
10	Wprowadzenie do klasyfikacji	Klasyfikacja	Oczyść, przygotuj i wizualizuj swoje dane; wprowadzenie do klasyfikacji	Python • R	Jen i Cassie • Eric Wanjau
11	Pyszne kuchnie azjatycka i indyjska 🍜	Klasyfikacja	Wprowadzenie do klasyfikatorów	Python • R	Jen i Cassie • Eric Wanjau
12	Pyszne kuchnie azjatycka i indyjska 🍜	Klasyfikacja	Więcej klasyfikatorów	Python • R	Jen i Cassie • Eric Wanjau
13	Pyszne kuchnie azjatycka i indyjska 🍜	Klasyfikacja	Zbuduj aplikację rekomendującą korzystając z modelu	Python	Jen
14	Wprowadzenie do grupowania	Grupowanie	Oczyść, przygotuj i wizualizuj swoje dane; wprowadzenie do grupowania	Python • R	Jen • Eric Wanjau
15	Odkrywanie muzycznych gustów Nigerii 🎧	Grupowanie	Poznaj metodę grupowania K-średnich (K-Means)	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 swoją wiedzę o NLP, rozumiejąc typowe zadania związane z przetwarzaniem struktur językowych	Python	Stephen
18	Tłumaczenie i analiza sentymentu ♥️	Przetwarzanie języka naturalnego	Tłumaczenie i analiza sentymentu na przykładach Jane Austen	Python	Stephen
19	Romantyczne hotele Europy ♥️	Przetwarzanie języka naturalnego	Analiza sentymentu na podstawie opinii o hotelach 1	Python	Stephen
20	Romantyczne hotele Europy ♥️	Przetwarzanie języka naturalnego	Analiza sentymentu na podstawie opinii o hotelach 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 za pomocą ARIMA	Szeregi czasowe	Prognozowanie szeregów czasowych za pomocą ARIMA	Python	Francesca
23	⚡️ Zużycie energii na świecie ⚡️ - prognozowanie szeregów czasowych z użyciem SVR	Szeregi czasowe	Prognozowanie szeregów czasowych z użyciem regresora wektorów nośnych (SVR)	Python	Anirban
24	Wprowadzenie do uczenia przez wzmocnienie	Uczenie przez wzmocnienie	Wprowadzenie do uczenia przez wzmocnienie z Q-Learning	Python	Dmitry
25	Pomóż Peterowi uniknąć wilka! 🐺	Uczenie przez wzmocnienie	Gym do uczenia przez wzmocnienie	Python	Dmitry
Postscript	Scenariusze i zastosowania ML w realnym świecie	ML w praktyce	Interesujące i pouczające zastosowania klasycznego ML w rzeczywistych sytuacjach	Lekcja	Zespół
Postscript	Debugowanie modeli ML przy użyciu 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 lokalnym komputerze, a następnie w katalogu głównym tego repo wpisz docsify serve. Strona zostanie udostępniona na porcie 3000 na Twoim localhost: localhost:3000.

Pliki PDF

Znajdź plik PDF programu nauczania z odnośnikami tutaj.

🎒 Inne kursy

Nasz zespół tworzy inne kursy! Sprawdź:

LangChain

---

Azure / Edge / MCP / Agenci

---

Seria AI generatywnego

---

Główne materiały

---

Seria Copilot

Uzyskaj pomoc

Jeśli utkniesz lub masz jakiekolwiek pytania dotyczące tworzenia aplikacji AI. Dołącz do innych uczących się i doświadczonych programistów w dyskusjach o MCP. To wspierająca społeczność, w której pytania są mile widziane, a wiedza jest chętnie dzielona.

Jeśli masz opinie o produkcie lub napotkasz błędy podczas tworzenia, odwiedź:

---

Zastrzeżenie: Ten dokument został przetłumaczony przy użyciu usługi tłumaczeń AI Co-op Translator. Należy pamiętać, że tłumaczenia automatyczne mogą zawierać błędy lub nieścisłości, mimo naszych starań o dokładność. Oryginalny dokument w języku źródłowym powinien być uważany za źródło autorytatywne. 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.