README.md

🌐 Obsługa wielu języków

Wspierane przez 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 Sklonować Lokalnie?

To repozytorium zawiera tłumaczenia na ponad 50 języków, co znacznie zwiększa rozmiar pobierania. Aby sklonować bez tłumaczeń, użyj sparse checkout:

Bash / macOS / Linux:

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'

CMD (Windows):

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"

Pozwoli Ci to na pobranie wszystkiego, co potrzebne do ukończenia kursu, z dużo szybszym pobieraniem.

Dołącz do naszej społeczności

Prowadzimy serię „Learn with AI” na Discordzie, dowiedz się więcej i dołącz do nas na Learn with AI Series w dniach 18 - 30 września 2025. Otrzymasz wskazówki i triki dotyczące korzystania z GitHub Copilot dla Data Science.

Machine Learning dla początkujących - Program nauczania

🌍 Podróżuj po świecie, odkrywając uczenie maszynowe w kontekście kultur świata 🌍

Specjaliści Cloud Advocates w Microsoft z przyjemnością oferują 12-tygodniowy program nauczania składający się z 26 lekcji na temat Uczenia Maszynowego. W tym programie nauczysz się tego, co czasami nazywa się klasycznym uczeniem maszynowym, używając głównie biblioteki Scikit-learn i unikając uczenia głębokiego, które jest omawiane w naszym programie AI for Beginners. Połącz te lekcje z naszym programem 'Data Science dla początkujących' również!

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 ukończenia, rozwiązanie, zadanie i więcej. Nasza pedagogika oparta na projektach pozwala uczyć się podczas tworzenia, co jest sprawdzoną metodą utrwalenia nowych umiejętności.

✍️ Gorące podziękowania dla naszych autorów Jen Looper, Stephena Howella, Francescy Lazzeri, Tomomi Imura, Cassie Breviu, Dmitry Soshnikov, Chrisa Noringa, Anirbana Mukherjee, Ornelli 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 treści Microsoft Student Ambassadorów, 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 Erica Wanjau, Jasleen Sondhi i Vidushi Gupta za nasze lekcje w R!

Rozpoczęcie

Wykonaj następujące kroki:

1. Rozwidlenie repozytorium: Kliknij przycisk „Fork” w prawym górnym rogu tej strony.
2. Sklonowanie 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 z instalacją, konfiguracją i uruchamianiem lekcji.

Studenci, aby korzystać z tego programu nauczania, utwórz rozwidlenie całego repozytorium na swoje konto GitHub i wykonuj ćwiczenia indywidualnie lub w grupie:

• Zacznij od quizu przed wykładem.
• Przeczytaj wykład i wykonaj zadania, zatrzymując się i zastanawiając przy każdym sprawdzeniu wiedzy.
• Staraj się tworzyć projekty samodzielnie, rozumiejąc lekcje, zamiast od razu uruchamiać kod z rozwiązania; jednak kod ten jest dostępny w folderach /solution w każdej lekcji opartej na projekcie.
• Rozwiąż quiz po wykładzie.
• Wykonaj wyzwanie.
• Wykonaj zadanie.
• Po ukończeniu grupy lekcji odwiedź Tablicę Dyskusyjną i „ucz się na głos”, wypełniając odpowiednią rubricę PAT. 'PAT' to narzędzie do oceny postępów, które wypełniasz, aby pogłębić naukę. Możesz również reagować na rubryki innych, dzięki czemu uczymy się razem.

Do dalszej nauki zalecamy realizację tych Microsoft Learn modułów i ścieżek edukacyjnych.

Nauczyciele, przygotowaliśmy kilka sugestii dotyczących korzystania z tego programu nauczania.

---

Wideoprzewodniki

Niektóre lekcje dostępne są jako krótkie filmy. Możesz je znaleźć w liniach lekcji lub na playliście ML for Beginners na kanale Microsoft Developer na YouTube, klikając poniższy obraz.

---

Poznaj zespół

Gif autorstwa Mohit Jaisal

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

---

Pedagogika

Wybraliśmy dwa założenia pedagogiczne przy tworzeniu tego programu: zapewnienie, że jest on praktyczny i oparty na projektach, oraz że zawiera częste quizy. Dodatkowo, program ma wspólny motyw przewodni, który nadaje mu spójność.

Zapewnienie, że treści są powiązane z projektami, sprawia, że proces nauki jest bardziej angażujący dla uczniów, a utrzymanie koncepcji zostanie wzmocnione. Ponadto, quiz o minimalnym ryzyku przed zajęciami ustawia intencję ucznia do nauki danego tematu, a drugi quiz po zajęciach zapewnia dalsze utrwalenie. Program nauczania został zaprojektowany jako elastyczny i przyjemny, można go ukończyć w całości lub częściowo. Projekty zaczynają się od małych i stają się coraz bardziej złożone do końca 12-tygodniowego cyklu. Program zawiera również postscriptum o zastosowaniach ML w rzeczywistym świecie, które może być użyte jako dodatkowa nagroda lub podstawa do dyskusji.

Znajdź nasze Zasady zachowania, Wkład, Tłumaczenia oraz wytyczne dotyczące Rozwiązywania problemów. Czekamy na Twoje konstruktywne opinie!

Każda lekcja zawiera

• opcjonalne notatki wizualne (sketchnote)
• opcjonalny film uzupełniający
• wideoprzewodnik (tylko niektóre lekcje)
• quiz rozgrzewający przed wykładem
• pisemną lekcję
• w lekcjach opartych na projektach, krok po kroku przewodniki jak zbudować projekt
• sprawdzenia wiedzy
• wyzwanie
• uzupełniającą lekturę
• zadanie
• quiz po wykładzie

Uwaga dotycząca języków: Lekcje te są głównie napisane w Pythonie, ale wiele jest również dostępnych w R. Aby ukończyć lekcję w R, wejdź do folderu /solution i poszukaj lekcji R. Zawierają one rozszerzenie .rmd, które reprezentuje plik R Markdown, który można w uproszczeniu zdefiniować jako osadzenie fragmentów kodu (R lub innych języków) oraz nagłówka YAML (sterującego formatowaniem outputu np. PDF) w dokumencie Markdown. W ten sposób stanowi on znakomite narzędzie do tworzenia treści dla data science, pozwalając łączyć kod, jego output i notatki, które można zapisywać w Markdown. Dodatkowo, dokumenty R Markdown mogą być renderowane do formatów wyjściowych takich jak PDF, HTML czy Word. Uwaga dotycząca quizów: Wszystkie quizy znajdują się w folderze Quiz App, łącznie 52 quizy po trzy pytania każdy. Są one podlinkowane w ramach lekcji, ale aplikację quizową można uruchomić lokalnie; postępuj zgodnie z instrukcjami w folderze quiz-app, aby uruchomić lokalnie lub wdrożyć na Azure.

Numer lekcji	Temat	Grupa lekcji	Cele nauki	Połączona lekcja	Autor
01	Wprowadzenie do uczenia maszynowego	Wprowadzenie	Poznaj podstawowe koncepcje uczenia maszynowego	Lekcja	Muhammad
02	Historia uczenia maszynowego	Wprowadzenie	Poznaj historię leżącą u podstaw tej dziedziny	Lekcja	Jen i Amy
03	Uczciwość i uczenie maszynowe	Wprowadzenie	Jakie są ważne kwestie filozoficzne związane z uczciwością, które uczniowie powinni rozważyć, 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 przy modelach regresji	Python • R	Jen • Eric Wanjau
06	Ceny dyń w Ameryce Północnej 🎃	Regresja	Wizualizuj i oczyść dane w przygotowaniu do ML	Python • R	Jen • Eric Wanjau
07	Ceny dyń w Ameryce Północnej 🎃	Regresja	Buduj modele regresji liniowej i wielomianowej	Python • R	Jen i Dmitry • Eric Wanjau
08	Ceny dyń w Ameryce Północnej 🎃	Regresja	Zbuduj model regresji logistycznej	Python • R	Jen • Eric Wanjau
09	Aplikacja Webowa 🔌	Web App	Zbuduj aplikację webową korzystającą z 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	Przepyszne kuchnie azjatyckie i indyjskie 🍜	Klasyfikacja	Wprowadzenie do klasyfikatorów	Python • R	Jen i Cassie • Eric Wanjau
12	Przepyszne kuchnie azjatyckie i indyjskie 🍜	Klasyfikacja	Więcej klasyfikatorów	Python • R	Jen i Cassie • Eric Wanjau
13	Przepyszne kuchnie azjatyckie i indyjskie 🍜	Klasyfikacja	Zbuduj aplikację rekomendacyjną korzystając z 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, tworząc prostego bota	Python	Stephen
17	Typowe zadania NLP ☕️	Przetwarzanie języka naturalnego	Pogłęb swoją wiedzę o NLP, poznając typowe zadania związane ze strukturami języka	Python	Stephen
18	Tłumaczenie i analiza sentymentu ♥️	Przetwarzanie języka naturalnego	Tłumaczenie i analiza sentymentu z Jane Austen	Python	Stephen
19	Romantyczne hotele w Europie ♥️	Przetwarzanie języka naturalnego	Analiza sentymentu na podstawie recenzji hoteli 1	Python	Stephen
20	Romantyczne hotele w Europie ♥️	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 zastosowaniem ARIMA	Python	Francesca
23	⚡️ Zużycie energii na świecie ⚡️ - prognozowanie szeregów czasowych z SVR	Szeregi czasowe	Prognozowanie szeregów czasowych z użyciem regresora wektorów nośnych	Python	Anirban
24	Wprowadzenie do uczenia przez wzmacnianie	Uczenie przez wzmacnianie	Wprowadzenie do uczenia przez wzmacnianie z Q-Learning	Python	Dmitry
25	Pomóż Piotrowi unikać wilka! 🐺	Uczenie przez wzmacnianie	Ćwiczenia z uczenia przez wzmacnianie w Gym	Python	Dmitry
Posłowie	Realne scenariusze i zastosowania ML	ML w praktyce	Interesujące i odkrywcze zastosowania klasycznego uczenia maszynowego	Lekcja	Zespół
Posłowie	Debugowanie modeli ML z użyciem pulpitu RAI	ML w praktyce	Debugowanie modeli uczenia maszynowego z komponentami pulpitu Responsible AI	Lekcja	Ruth Yakubu

znajdź wszystkie dodatkowe zasoby do tego kursu w naszej kolekcji Microsoft Learn

Dostęp offline

Możesz korzystać z tej dokumentacji offline, używając Docsify. Rozgałęź ten repozytorium, zainstaluj Docsify na swoim komputerze, a następnie w katalogu głównym tego repozytorium wpisz docsify serve. Strona będzie dostępna na porcie 3000 na lokalnym hoście: localhost:3000.

Pliki PDF

Znajdź wersję pdf programu nauczania z linkami tutaj.

🎒 Inne kursy

Nasz zespół tworzy również inne kursy! Sprawdź:

LangChain

Azure / Edge / MCP / Agenci

---

Seria generatywnej sztucznej inteligencji

---

Podstawowa nauka

---

Seria Copilot

Uzyskanie 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:

Dodatkowe wskazówki dotyczące nauki

• Przeglądaj notatki po każdej lekcji, aby lepiej zrozumieć materiał.
• Ćwicz samodzielne implementowanie algorytmów.
• Eksploruj rzeczywiste zestawy danych, wykorzystując poznane koncepcje.

---

Zastrzeżenie:
Niniejszy dokument został przetłumaczony za pomocą usługi tłumaczenia AI Co-op Translator. Mimo że dokładamy starań, aby tłumaczenie było jak najdokładniejsze, prosimy pamiętać, że tłumaczenia automatyczne mogą zawierać błędy lub nieścisłości. Oryginalny dokument w języku źródłowym należy traktować jako autorytatywne źródło informacji. W przypadku istotnych informacji zaleca się skorzystanie z profesjonalnego tłumaczenia wykonanego przez człowieka. Nie ponosimy odpowiedzialności za jakiekolwiek nieporozumienia lub błędne interpretacje wynikające z korzystania z tego tłumaczenia.