Samouczki z uczenia maszynowego

Przewodnik krok po kroku po działaniu architektury transformera — od self-attention po oparte na niej LLM-y tylko z dekoderem.

Przyczynowe uczenie maszynowe łączy ML z wnioskowaniem przyczynowym, by wyjść poza predykcję i oszacować, co się dzieje po interwencji. Ten artykuł omawia podstawy, metody, narzędzia w Pythonie i częste błędy.

Uczenie samonadzorowane trenuje modele, by czerpały własny nadzór z nieoznaczonych tekstów, obrazów, audio i wideo, używając technik takich jak uczenie kontrastowe, modelowanie maskowane i predykcja autoregresyjna do budowy reprezentacji stojących za dzisiejszymi modelami językowymi, wizji i multimodalnymi.

Praktyczny przegląd uczenia kontrastowego — jak modele uczą się przez porównywanie podobnych i niepodobnych przykładów, funkcje straty i metody, oraz jak zaimplementować je w PyTorchu.

Poznaj najpopularniejszy bezmodelowy algorytm uczenia ze wzmocnieniem w samouczku w Pythonie.

Poznaj regresję liniową, jej zastosowania i implementację w bibliotece scikit-learn. Z praktycznymi przykładami.

Zobacz, jak kompleksowy pipeline MLOps przewiduje wyniki MŚ 2026: od automatycznego ponownego trenowania i DVC po 10 000-krotną symulację Monte Carlo drabinki.

Jak działa regresja lasem losowym, gdzie zawodzi oraz jak ją oceniać, stroić i interpretować. Zawiera implementację w Pythonie i ramy porównania modeli.

Dowiedz się, czym jest klasyfikacja zero-shot, jak działa pod maską z modelami NLI, jak wypada na tle few-shot i dostrajania oraz jak zastosować ją z Hugging Face Transformers.

Przejdź przez pułapki dryfu modelu i poznaj nasz praktyczny przewodnik po monitorowaniu dryfu danych.

Koncepcyjny przewodnik po sztuczce z jądrem – czym jest, jak umożliwia działanie SVM i innych modeli jąderkowych oraz kiedy wybrać ją zamiast innych podejść do modelowania nieliniowego.

Praktyczny przegląd regularizacji w uczeniu maszynowym – czym jest, jak działa i kiedy używać L1, L2 oraz Elastic Net, aby budować modele, które uogólniają.