ML-For-Beginners/translations/pl

🌐 Wielojęzyczne wsparcie

Wspierane przez GitHub Action (zautomatyzowane i zawsze aktualne)

Arabic | Bengali | Bulgarian | Burmese (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 pidgin | Norweski | Perski (Farsi) | Polski | Portugalski (Brazylia) | Portugalski (Portugalia) | Pendżabski (Gurmukhi) | Rumuński | Rosyjski | Serbski (cyrylica) | Słowacki | Słoweński | Hiszpański | Suahili | Szwedzki | Tagalog (Filipiński) | Tamil | 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:

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'

To daje Ci wszystko, czego potrzebujesz, aby ukończyć kurs znacznie szybciej.

Dołącz do naszej społeczności

Prowadzimy na Discordzie serię "Learn with AI", dowiedz się więcej i dołącz do nas na Learn with AI Series od 18 do 30 września 2025. Otrzymasz wskazówki i porady dotyczące korzystania z GitHub Copilot dla Data Science.

Machine Learning dla początkujących - program nauczania

🌍 Podróżuj po świecie, badając uczenie maszynowe za pomocą kultur świata 🌍

Cloud Advocates w Microsoft z radością przedstawiają 12-tygodniowy, 26-lekcyjny program nauczania poświęcony uczeniu maszynowemu. W tym programie nauczysz się o tym, co czasami nazywa się klasycznym uczeniem maszynowym, korzystając głównie z biblioteki Scikit-learn i unikając uczenia głębokiego, które jest omawiane 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 wielu regionów świata. Każda lekcja zawiera quizy przed i po lekcji, pisemne instrukcje do wykonania, rozwiązanie, zadanie i więcej. Nasza projektowa metoda nauki pozwala uczyć się podczas tworzenia, co jest sprawdzonym sposobem na trwałe przyswajanie nowych umiejętności.

✍️ Gorące podziękowania dla naszych autorów Jen Looper, Stephena Howella, Francesci Lazzeri, Tomomi Imury, Cassie Breviu, Dmitry Soshnikova, Chrisa Noringa, Anirbana Mukherjee, Ornelli Altunyan, Ruth Yakubu i Amy Boyd

🎨 Podziękowania także dla naszych ilustratorów Tomomi Imury, Dasani Madipalli i Jen Looper

🙏 Szczególne podziękowania 🙏 dla naszych autorów, recenzentów i współtwórców treści Microsoft Student Ambassador, w szczególności Rishit Dagli, Muhammada Sakiba Khana Inana, Rohana Raja, Alexandru Petrescu, Abhisheka Jaiswala, Nawrin Tabassum, Ioana Samuily oraz Snigdhy Agarwal

🤩 Dodatkowa wdzięczność dla Microsoft Student Ambassadors Erica Wanjau, Jasleen Sondhi i Vidushi Gupty za lekcje w R!

Jak zacząć

Wykonaj następujące kroki:

1. Rozgałęź (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 dla rozwiązań najczęstszych problemów podczas instalacji, konfiguracji i uruchamiania lekcji.

Studenci, aby korzystać z tego programu, rozgałęź całe 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 się przy każdym sprawdzeniu wiedzy.
• Staraj się tworzyć projekty rozumiejąc materiał zamiast po prostu uruchamiać gotowy kod; jednak kod ten jest dostępny w folderach /solution każdej lekcji projektowej.
• Przejdź quiz po wykładzie.
• Zrealizuj 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, które wypełniasz, aby pogłębić swoją naukę. Możesz też reagować na inne PATy, aby uczyć się razem.

Do dalszej nauki polecamy śledzenie tych modułów i ścieżek nauki na Microsoft Learn.

Nauczyciele, dołączyliśmy kilka sugestii dotyczących używania tego programu.

---

Przewodniki wideo

Niektóre lekcje dostępne są jako krótkie filmy wideo. Znajdziesz je w lekcjach lub na playliście ML for Beginners na kanale Microsoft Developer YouTube klikając obrazek poniżej.

---

Poznaj zespół

Gif autorstwa Mohita Jaisala

🎥 Kliknij powyższy obraz, aby obejrzeć film o projekcie i osobach, które go stworzyły!

---

Pedagogika

Podczas tworzenia tego programu wybraliśmy dwa założenia pedagogiczne: zapewnienie, że jest to program oparty na projektach oraz zawierający częste quizy. Ponadto, ten program ma wspólny motyw przewodni dla spójności.

Dzięki dopasowaniu treści do projektów proces staje się bardziej angażujący dla uczniów, a retencja konceptów zostaje zwiększona. Ponadto quiz o niskim ryzyku przed zajęciami nastawia studenta na naukę tematu, a drugi quiz po zajęciach utrwala wiedzę. Program ten jest zaprojektowany tak, aby był elastyczny i przyjemny, można go realizować w całości lub etapami. Projekty zaczynają się małe i stają się coraz bardziej złożone pod koniec 12-tygodniowego cyklu. Program zawiera też posłowie o rzeczywistych zastosowaniach ML, które można wykorzystać jako dodatkowe punkty lub bazę do dyskusji.

Zapoznaj się z naszymi zasadami: Kodeks postępowania, Wkład, Tłumaczenia oraz Rozwiązywanie problemów. Czekamy na Twoje konstruktywne uwagi!

Każda lekcja zawiera

• opcjonalną notatkę wizualną
• opcjonalne dodatkowe wideo
• przewodnik wideo (tylko niektóre lekcje)
• quiz rozgrzewkowy przed wykładem
• pisemną lekcję
• w lekcjach projektowych: krok po kroku instrukcje, jak stworzyć projekt
• sprawdzenia wiedzy
• wyzwanie
• dodatkową lekturę
• zadanie domowe
• quiz po wykładzie

Uwagi dotyczące języków: Lekcje te 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. Mają one rozszerzenie .rmd, które oznacza plik R Markdown, będący osadzeniem kawałków kodu (R lub innych języków) oraz nagłówka YAML (który steruje formatowaniem wyjść jak PDF) w dokumencie Markdown. Służy to jako wzorcowe narzędzie do tworzenia materiałów naukowych, pozwalając łączyć kod, jego wynik oraz własne notatki zapisane w Markdown. Ponadto dokumenty R Markdown można renderować do formatów wyjściowych takich jak PDF, HTML czy Word. Notatka o quizach: Wszystkie quizy znajdują się w folderze Quiz App, łącznie 52 quizy po trzy pytania w każdym. Są one połączone wewnątrz lekcji, ale aplikacja quizowa może być uruchomiona lokalnie; postępuj zgodnie z instrukcjami w folderze quiz-app, aby hostować lokalnie lub wdrożyć na Azure.

Numer lekcji	Temat	Grupa lekcji	Cele nauki	Połączona lekcja	Autor
01	Wprowadzenie do uczenia maszynowego	Wprowadzenie	Poznaj podstawowe pojęcia stojące za uczeniem maszynowym	Lekcja	Muhammad
02	Historia uczenia maszynowego	Wprowadzenie	Poznaj historię stojącą za tą dziedziną	Lekcja	Jen i Amy
03	Fairness a uczenie maszynowe	Wprowadzenie	Jakie ważne kwestie filozoficzne dotyczące sprawiedliwości powinni rozważyć uczniowie tworząc i stosując modele ML?	Lekcja	Tomomi
04	Techniki uczenia maszynowego	Wprowadzenie	Jakich technik używają badacze ML do budowy modeli ML?	Lekcja	Chris i Jen
05	Wprowadzenie do regresji	Regresja	Zacznij pracę z Pythonem i Scikit-learn do 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	Buduj model regresji logistycznej	Python • R	Jen • Eric Wanjau
09	Aplikacja webowa 🔌	Aplikacja webowa	Zbuduj aplikację internetową do używania 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 azjatyckie i indyjskie 🍜	Klasyfikacja	Wprowadzenie do klasyfikatorów	Python • R	Jen i Cassie • Eric Wanjau
12	Pyszne kuchnie azjatyckie i indyjskie 🍜	Klasyfikacja	Więcej klasyfikatorów	Python • R	Jen i Cassie • Eric Wanjau
13	Pyszne kuchnie azjatyckie i indyjskie 🍜	Klasyfikacja	Zbuduj aplikację rekomendującą używając swojego modelu	Python	Jen
14	Wprowadzenie do klasteryzacji	Klasteryzacja	Oczyść, przygotuj i wizualizuj dane; wprowadzenie do klasteryzacji	Python • R	Jen • Eric Wanjau
15	Odkrywanie muzycznych gustów Nigerii 🎧	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	Typowe zadania NLP ☕️	Przetwarzanie języka naturalnego	Pogłęb wiedzę o NLP rozumiejąc typowe zadania w pracy z językiem	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 w recenzjach hoteli 1	Python	Stephen
20	Romantyczne hotele Europy ♥️	Przetwarzanie języka naturalnego	Analiza sentymentu w recenzjach 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 ARIMA	Szeregi czasowe	Prognozowanie szeregów czasowych z użyciem ARIMA	Python	Francesca
23	⚡️ Zużycie energii na świecie ⚡️ - prognozowanie szeregów czasowych SVR	Szeregi czasowe	Prognozowanie szeregów czasowych za pomocą regresji wektorów nośnych (SVR)	Python	Anirban
24	Wprowadzenie do uczenia przez wzmacnianie	Uczenie przez wzmacnianie	Wprowadzenie do uczenia przez wzmacnianie z Q-Learning	Python	Dmitry
25	Pomóż Peterowi uniknąć wilka! 🐺	Uczenie przez wzmacnianie	Gimnastyka w uczeniu przez wzmacnianie	Python	Dmitry
Postscript	Scenariusze i zastosowania ML w realnym świecie	ML w Praktyce	Interesujące i odkrywcze zastosowania klasycznego ML	Lekcja	Zespół
Postscript	Debugowanie modeli ML z użyciem dashboardu RAI	ML w Praktyce	Debugowanie modeli w uczeniu maszynowym z użyciem komponentów dashboardu Responsible AI	Lekcja	Ruth Yakubu

znajdź wszystkie dodatkowe zasoby do 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 głównym folderze tego repozytorium wpisz docsify serve. Strona zostanie uruchomiona na porcie 3000 na twoim localhost: localhost:3000.

Pliki PDF

Znajdź pdf z programem nauczania z linkami tutaj.

🎒 Inne kursy

Nasz zespół produkuje również 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 na temat MCP. To wspierająca społeczność, gdzie pytania są mile widziane, a wiedza jest swobodnie dzielona.

Jeśli masz opinię na temat produktu lub napotkasz błędy podczas tworzenia, odwiedź:

---

Zastrzeżenie: Dokument ten został przetłumaczony przy użyciu usługi tłumaczeń AI Co-op Translator. Staramy się zapewnić dokładność, jednak prosimy mieć na uwadze, że tłumaczenia automatyczne mogą zawierać błędy lub nieścisłości. Oryginalny dokument w języku źródłowym powinien być traktowany jako źródło nadrzędne. W przypadku ważnych informacji zalecamy skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z użycia tego tłumaczenia.