Uczenie maszynowe w Pythonie, krok po kroku
Darmowy, praktyczny kurs machine learning. Piszesz prawdziwy kod scikit-learn, trenujesz modele na prawdziwych danych i patrzysz, jak wykresy pojawiają się w zakładce Wykresy.
233 lekcje231 wyzwania965 pytania quizowe
- Dla początkujących
Pomoc AI przy programowaniu
Praktyczne, interaktywne lekcje
Narracja audio w każdej lekcji
Quizy sprawdzające wiedzę
Darmowy certyfikat ukończenia
Wytrenuj model w przeglądarce
Prawdziwy kod scikit-learn i jego prawdziwy wynik. Przesuń suwak, żeby zmienić jedną linię, i zobacz, czego uczy się model.
Małe k zapamiętuje każdy punkt treningowy i rysuje poszarpaną granicę. Większe k ją wygładza.
import numpy as np
import matplotlib.pyplot as plt
from sklearn.datasets import make_moons
from sklearn.model_selection import train_test_split
from sklearn.neighbors import KNeighborsClassifier
X, y = make_moons(n_samples=200, noise=0.3, random_state=0)
X_train, X_test, y_train, y_test = train_test_split(X, y, random_state=0)
k = 5
model = KNeighborsClassifier(n_neighbors=k)
model.fit(X_train, y_train)
print(f"train accuracy: {model.score(X_train, y_train):.2f}")
print(f"test accuracy: {model.score(X_test, y_test):.2f}")
xx, yy = np.meshgrid(np.linspace(-2, 3, 56), np.linspace(-1.5, 2, 40))
proba = model.predict_proba(np.c_[xx.ravel(), yy.ravel()])[:, 1]
proba = proba.reshape(xx.shape)
plt.figure(figsize=(5, 4))
plt.pcolormesh(xx, yy, proba, cmap="coolwarm", alpha=0.35)
plt.scatter(X_train[:, 0], X_train[:, 1], c=y_train,
cmap="coolwarm", edgecolors="k")
plt.title(f"k-nearest neighbors, k = {k}")
plt.show()
Program
Sekcja 1
Dane i wykresyOsobna strona
Zacznij sekcjęZacznijZestaw narzędzi, od którego zaczyna się każdy projekt uczenia maszynowego: tablice NumPy, wykresy matplotlib i tabele pandas. Wczytuj rzeczywiste zbiory danych, podsumowuj je i przedstawiaj na wykresach to, co udało Ci się odkryć.Wprowadzenie
4 lekcje320Tablice NumPy
5 lekcje520Operacje matematyczne na tablicach
6 lekcje625Przekształcanie danych
4 lekcje415Wykresy liniowe i punktowe
6 lekcje625Wykresy danych
5 lekcje520Ramki danych w pandas
6 lekcje625Filtrowanie i sortowanie
5 lekcje520Grupowanie i czyszczenie
5 lekcje520Wizualizacja DataFrame’ów
5 lekcje520Zbiory danych dla ML
5 lekcje520Wyzwania końcowe
4 lekcje420Sekcja 2
Statystyka w uczeniu maszynowymOsobna strona
Zacznij sekcjęZacznijStatystyka leżąca u podstaw każdego modelu: miary położenia i rozproszenia, rozkłady, prawdopodobieństwo badane za pomocą symulacji, próby, wartości odstające, korelacja, linie trendu i testy porównujące grupy, a następnie skalowanie i kodowanie cech. Każde zagadnienie obliczysz na rzeczywistych danych i przedstawisz na wykresie.Położenie i rozproszenie
6 lekcje625Rozkłady
6 lekcje625Prawdopodobieństwo przez symulację
6 lekcje625Próby i populacje
5 lekcje520Obserwacje odstające
5 lekcje520Relacje
6 lekcje525Linie trendu
6 lekcje625Porównywanie grup
6 lekcje625Skalowanie cech
5 lekcje520Kodowanie kategorii
4 lekcje415Eksploracja zbioru danych
5 lekcje520Wyzwania końcowe
4 lekcje420Sekcja 3
Uczenie nadzorowaneOsobna strona
Zacznij sekcjęZacznijTrenuj rzeczywiste modele za pomocą scikit-learn: dziel dane, dopasowuj modele, przewiduj i mierz wyniki. k-NN, regresja liniowa i logistyczna, drzewa, lasy i boosting, rzetelna ocena z użyciem walidacji krzyżowej oraz potoki — na koniec projekt z pingwinami realizowany od początku do końca.Twój pierwszy model
5 lekcje520Najbliżsi sąsiedzi
5 lekcje520Regresja liniowa
5 lekcje520Regresja logistyczna
5 lekcje520Ocena klasyfikatorów
6 lekcje625Drzewa decyzyjne
5 lekcje520Przeuczenie
5 lekcje520Walidacja krzyżowa
4 lekcje415Metody zespołowe
4 lekcje415Potoki
5 lekcje520Projekt: Gatunki pingwinów
5 lekcje525Wyzwania końcowe
4 lekcje420Sekcja 4
Uczenie nienadzorowaneOsobna strona
Zacznij sekcjęZacznijOdkrywaj strukturę danych bez etykiet: k-means, klasteryzacja hierarchiczna i gęstościowa, PCA do wizualizacji i kompresji wielu cech oraz wykrywanie anomalii — na koniec projekt eksploracji cyfr.Znajdowanie grup
5 lekcje520Wybór k
5 lekcje520Odczytywanie klastrów
5 lekcje520Klasteryzacja hierarchiczna
4 lekcje415Klasteryzacja gęstościowa
4 lekcje415Mniej wymiarów
5 lekcje520PCA w praktyce
5 lekcje520Wykrywanie anomalii
5 lekcje520Klastry w praktyce
4 lekcje415Projekt: Odkrywca cyfr
5 lekcje525Ostatnie wyzwania
4 lekcje420
Ucz się w praktyce
Pisz prawdziwy kod, odpytuj bazy danych, twórz strony internetowe i opanuj prompty AI. Nasze interaktywne lekcje obejmują wszystkie umiejętności, których potrzebuje współczesny programista.
Buduj swoją serię
Ucz się regularnie i patrz, jak rosną twoje postępy! Śledź codzienny nawyk programowania, chroń serię dzięki zamrożeniom i zdobywaj nagrody za każdy dzień nauki.
12 dni serii
Wróć jutro, aby utrzymać serię!
January 2026
1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
21
22
23
24
25
26
27
28
29
30
Podwójnie albo nic
Dzień 5 z 7
Zamrożenie serii
2 left
Nie uczysz się w pojedynkę
Rywalizuj w globalnych rankingach, zapraszaj znajomych po nagrody i świętujcie wspólnie swoje sukcesy. Z przyjaciółmi programuje się lepiej!
1
2
3
Strefa awansuKażdy sposób nauki
Czytaj, słuchaj, sprawdzaj się, pytaj AI albo wracaj do tego, co już znasz. Każda lekcja dopasowuje się do ciebie.
Zmienna to nazwany pojemnik przechowujący wartość, do której możesz później odwołać się w programie.
W Pythonie tworzysz ją, pisząc nazwę, znak równości, a potem wartość, którą chcesz zapisać.
Wartość może się zmieniać: ponowne przypisanie po prostu wskazuje nazwą nową wartość.
Zdobądź certyfikat
Zdobywaj certyfikaty za każdy ukończony kurs. Dodaj je do profilu na LinkedIn i CV, aby pokazać pracodawcom swoje umiejętności programistyczne.
Certyfikat ukończenia
Podstawy Pythona
Dodaj do LinkedInDlaczego warto uczyć się machine learningu z Coddy
- Najpierw widzisz, potem czytasz. Każda lekcja zaczyna się od wykresu albo schematu: punktów z irysami, granicy decyzyjnej, dendrogramu. Potem piszesz kod, a twój własny wykres pojawia się obok, w zakładce Wykresy.
- Prawdziwy Python, prawdziwe biblioteki.
numpy,pandas,matplotlib,scipyiscikit-learndziałają na Coddy w tych samych wersjach, których używają data scientists, więcmodel.fit(X_train, y_train)tutaj tomodel.fit(X_train, y_train)w pracy. Nic do instalowania, żadnego notebooka do konfiguracji. - Cztery sekcje w kolejności, w jakiej toczy się praca: dane i wykresy, statystyka dla ML, uczenie nadzorowane, a potem uczenie nienadzorowane. 233 krótkie lekcje, każda z jednym nowym pomysłem i zadaniem, które go wykorzystuje.
- Prawdziwe zbiory danych z historią: irysy, chemia wina, odręcznie pisane cyfry, pingwiny Palmer. Kończysz dwa projekty, klasyfikator gatunków pingwinów i eksplorator cyfr, a każdy wykres ma tytuł i opisane osie, gotowy do raportu.
Najczęstsze pytania o naukę uczenia maszynowego
Czym jest uczenie maszynowe?
Uczenie maszynowe to uczenie komputera na przykładach zamiast regułami. Pokazujesz modelowi wiele wierszy danych, na przykład kwiaty z wymiarami płatków i gatunkiem, a on uczy się wzorca, który potrafi zastosować do wierszy, których nigdy nie widział. Jeśli wiersze mają odpowiedzi, to uczenie nadzorowane; jeśli nie mają, a model sam znajduje grupy, to uczenie nienadzorowane. Ten kurs uczy obu.
Czy muszę być dobry z matematyki, żeby uczyć się machine learningu?
Nie. Wystarczy szkolna arytmetyka i cierpliwość do czytania wykresu. Kurs uczy statystyki, z której korzysta uczenie maszynowe (średnie, rozrzut, rozkłady, korelacja, p-wartości), za pomocą symulacji i obrazków, a scikit-learn wykonuje za ciebie ciężką matematykę. Analiza matematyczna i algebra liniowa pomagają, jeśli później zechcesz tworzyć nowe algorytmy, ale nie są potrzebne, żeby trenować, testować i rozumieć modele.
Czy muszę najpierw znać Pythona?
if, pętle, funkcje i listy. To sekcja Podstawy w kursie Python, kilka tygodni przy godzinie dziennie. Wszystkiego, co dalej, czyli import, NumPy, pandas, matplotlib i scikit-learn, uczysz się tutaj od pierwszej linijki.Których bibliotek Pythona się nauczę?
Standardowego zestawu do uczenia maszynowego: NumPy do tablic, pandas do tabel, matplotlib do wykresów, SciPy do statystyki i scikit-learn do modeli (k najbliższych sąsiadów, regresja liniowa i logistyczna, drzewa decyzyjne, lasy losowe, gradient boosting, k-means, DBSCAN, PCA i więcej). Działają na Coddy w aktualnych wersjach, więc to, co tu napiszesz, działa tak samo na twoim komputerze.
Czy potrzebuję GPU albo mocnego komputera?
Nie. Twój kod działa na serwerach Coddy, a wykresy wracają do przeglądarki, więc wystarczy laptop, Chromebook albo tablet. Klasyczne uczenie maszynowe ze scikit-learn i tak dobrze działa na zwykłym procesorze; GPU ma znaczenie przy trenowaniu dużych sieci neuronowych, których ten kurs nie obejmuje.
Co mogę zbudować po tym kursie?
Modele, które odpowiadają na prawdziwe pytania na podstawie tabeli: czy ten e-mail to spam, którzy klienci prawdopodobnie odejdą, jakiego gatunku jest ten pingwin, ile rowerów zostanie jutro wypożyczonych, jakie grupy kupujących istnieją, które odczyty z serwera wyglądają podejrzanie. Uczysz się też uczciwie je oceniać: zbiorami testowymi, walidacją krzyżową, macierzami pomyłek i krzywymi ROC, bo dopiero to sprawia, że model jest wart zaufania.
Ile czasu zajmuje nauka uczenia maszynowego?
Czy ten kurs uczenia maszynowego jest darmowy?
Tak. Lekcje, wykresy, podpowiedzi AI i certyfikaty są darmowe. Darmowe konto pozwala przerobić kilka lekcji dziennie, a Pro znosi dzienny limit.
