Start tutaj · ok. 15 minut
Jak zacząć z machine learning?
Od czego zacząć? Od lekcji 0.1: kwadrans w przeglądarce, bez kodu i bez instalacji. Niżej: co trzeba umieć, trzy pytania o Twoje wejście i darmowe materiały.
Czym jest uczenie maszynowe, w trzech zdaniach
Machine learning (uczenie maszynowe) to sposób pisania programów, w którym komputer nie dostaje reguły od człowieka, tylko sam ją wyciąga z przykładów. Pokazujesz mu dużo przypadków ze znaną odpowiedzią, a on szuka reguły, która te odpowiedzi odtwarza. Potem sprawdzasz tę regułę na przypadkach, których nie widział, bo tylko to mówi, czy się nauczył, czy tylko zapamiętał.
Więcej: Czym jest uczenie maszynowe i Uczenie nadzorowane a nienadzorowane. Nowe słowa (cecha, etykieta, przeuczenie…) prostymi słowami: słowniczek pierwszych pojęć.
Co trzeba umieć wcześniej (uczciwie)
- Do kursu ML Atlas: nic poza szkołą. Procenty, średnia, wykres x–y. Bez kodu i bez instalacji, działa na telefonie.
- Do samodzielnej pracy z kodem: podstawy Pythona i pandas. Zmienne, listy, pętla, funkcja; wczytać tabelę, wybrać kolumny, przefiltrować wiersze. Kaggle szacuje swój kurs Pythona na 5 godzin, a pandas na 4 (lista niżej). W lekcjach kod jest w zwijanej warstwie „W kodzie (Python)”, z notebookiem do odtworzenia wyniku.
- Czego kurs nie daje: gwarancji pracy ani certyfikatu zawodowego. Uczciwie o rynku: Przebranżowienie na ML: uczciwe liczby.
Matematyka i ukryte wymagania innych kursów
- Matematyka formalna (pochodna, wektory, macierze, prawdopodobieństwo) jest w zwijanej warstwie „Matematyka”. Naprawdę potrzebna dopiero przy sieciach neuronowych. Hasła: Pochodna, Wektory i przestrzenie wektorowe, Macierze jako przekształcenia, Podstawy prawdopodobieństwa.
- Uwaga na ukryte wymagania. Wiele kursów zakłada programowanie, choć nie mówi tego na pierwszej stronie: fast.ai wymaga ok. roku programowania, Google zaleca do swojego kursu podstawy Pythona, wykłady Karpathy'ego dobry Python i pochodne (źródła przy materiałach niżej). Jeśli kurs w trzecim tygodniu nagle robi się niezrozumiały, zwykle brakuje kroku, a nie talentu.
Pierwsze ćwiczenie (5–10 minut, bez instalacji)
To samo ćwiczenie otwiera lekcję 0.1: cały projekt uczenia maszynowego w kwadrans. Prawdziwe dane: pingwiny z wysp u wybrzeży Antarktydy. Najpierw przewidź wynik, potem sprawdź w eksperymencie.
Otwórz ćwiczenie tutaj
Wybierz odpowiedź i pewność.
Odpowiedz, żeby odblokować lab.
Eksperyment
Ten interaktywny eksperyment działa w przeglądarce z włączonym JavaScriptem. Tekst wokół opisuje, co w nim widać.
Pokaż odpowiedź
Poprawna odpowiedź: Prawie wszystkie, ponad 9 na 10
Dwa pytania dają 98 ze 103 (95,1%), jedno pytanie 81 (78,6%). Samo zgadywanie „zawsze Adelie”, bez żadnego modelu, trafia 45 razy (43,7%) i to ono mówi, czy 95,1% to dużo. Trzecie pytanie nie pomaga: 96 ze 103 (93,2%).
Dalej: cała lekcja 0.1, „Cały proces w 15 minut, od pytania do oceny” · albo 3 pytania o Twoje wejście
Trzy pytania: od czego zacząć
Pytania sprawdzają wiedzę, nie samoocenę. „Nie wiem” to dobra odpowiedź: niczym nie grozi i prowadzi do pełnej drogi. Odpowiedzi zostają tylko w Twojej przeglądarce.
Twoje wejście: Kurs ML od zera, od lekcji 0.1
Wejścia: które dla kogo
Bez odpowiedzi też możesz wybrać sam: kliknij wejście, żeby zobaczyć kroki. Zawsze możesz zacząć od początku, od lekcji 0.1.
Kurs ML od zera, od lekcji 0.1
Chcesz uczyć się od podstaw albo pytanie 2 sprawiło kłopot. Nic nie pomijamy.- Lekcja 0.1: Cały proces w 15 minut, od pytania do oceny
- Dalej po kolei: 33 lekcje, razem ok. 385 min. Każda ma ćwiczenie w przeglądarce i pytania na koniec.
- Dwie lekcje w tygodniu to wszystkie gotowe lekcje w 17 tygodni, a w przygotowaniu są kolejne 7 pozycji programu (lekcje i projekty).
- Powtórki wracają do pytań z lekcji po kilku dniach.
Jak działa AI, której używasz
Chcesz rozumieć czat, tłumacza i podpowiedzi, a nie budować modele.- Ścieżka „Jak działa AI, której używasz”: 6 krótkich lekcji, ok. 52 min
- Lekcja 7.2: Od sieci neuronowych do dużych modeli językowych
- Hasła: Duży model językowy (LLM), Tokenizacja i BPE, Temperatura i próbkowanie w LLM, Halucynacje modeli językowych.
- Gdy zechcesz zajrzeć do środka modelu: kurs „Modele językowe od środka” (3 z 12 lekcji gotowych).
- Gdy zechcesz zobaczyć, skąd to się bierze: lekcja 0.1 kursu.
Znasz pojęcia, poćwicz uczciwą ocenę modelu
Pytanie 2 dobrze, pytanie 3 źle albo „nie wiem”: luka jest w walidacji, czyli tam, gdzie najczęściej psują się prawdziwe projekty.- Lekcja 3.2: Walidacja i walidacja krzyżowa
- Hasła: Wyciek danych (data leakage), Zbiór treningowy, walidacyjny i testowy.
- Ścieżka: Jak uczciwie ocenić model
- W każdej lekcji rozwiń warstwę „W kodzie (Python)” i otwórz notebook, który odtwarza wynik.
Praktyka i powtórka
Oba pytania dobrze: szanujemy Twój czas, więc bez wstępu.Zmiana zawodu: najpierw zrozumienie, potem kod
Myślisz o pracy z danymi albo AI.- Kurs od lekcji 0.1: pojęcia, bez których kod jest zgadywaniem.
- Równolegle Python i pandas, np. Kaggle Learn (darmowe materiały).
- Mapa rynku, cztery drogi i czego nie wiemy: Przebranżowienie na ML: uczciwe liczby.
- Uczciwe czasy nauki: ile to trwa.
- Kurs nie daje gwarancji pracy ani certyfikatu zawodowego.
Ile to trwa
- Rozumiem, co to jest i jak działa. Kurs ML Atlas: 33 lekcje, razem ok. 385 min czytania i ćwiczeń. Kurs Google: ok. 13,5 godziny (nasza suma czasów podanych przy modułach).
- Umiem sam napisać i ocenić prosty model. Do tego dochodzą Python i pandas: Kaggle szacuje swoje kursy na 5 + 4 godziny, a „Intro to Machine Learning” na 3. To czas kursów, nie czas do samodzielności: tego nikt wiarygodnie nie zmierzył. Licz raczej miesiące niż tygodnie.
- Chcę pracować przy ML. Firma Pigment, która sprzedaje testy kariery, szacuje przejście do pracy przy ML (10–15 godzin nauki tygodniowo obok pracy) na 6–12 miesięcy dla programistów i absolwentów kierunków ścisłych, 9–18 miesięcy dla analityków danych i 2–3 lata dla osób nietechnicznych, zwykle przez rolę w danych albo programowaniu. Sama pisze, że to plan, a nie obietnica. Więcej liczb z rynku: Przebranżowienie na ML: uczciwe liczby.
Źródło: Pigment. Sprawdzone .
Pierwsze dwa tygodnie i jak się uczyć (ze źródłami)
Najtrudniejsze są pierwsze dwa tygodnie. W badaniu 221 kursów online mediana ukończenia wyniosła 12,6%. Krótsze kursy i kursy z automatycznym sprawdzaniem kończyło więcej osób, a pierwsze dwa tygodnie okazały się kluczowe. Mały, stały rytm wygrywa ze zrywem: dwie lekcje w tygodniu to wszystkie gotowe lekcje w 17 tygodni, a w przygotowaniu są kolejne 7 pozycji programu (lekcje i projekty).
Źródło: IRRODL. Sprawdzone .
Jak się uczyć. Duży przegląd dziesięciu technik nauki dał najwyższą ocenę tylko dwóm: odpytywaniu się i rozkładaniu nauki w czasie. Ponowne czytanie i podkreślanie dostały ocenę niską. Dlatego każda lekcja kończy się pytaniami, a Powtórki wracają do nich po kilku dniach.
Źródło: APS. Sprawdzone .
Na start — poradniki
Krótkie odpowiedzi na pytania, które na początku zadaje prawie każdy. Wszystkie wpisy: blog, kategoria „Na start”.
- Analityk danych, data scientist czy ML engineer? Różnice
- Kaggle dla początkujących: od czego zacząć i czego unikać
- Jaki laptop do nauki ML? Na start wystarczy przeglądarka
- Czy da się nauczyć ML po 30 albo 40? Uczciwie, z danymi
- Darmowe zbiory danych do pierwszego projektu ML (legalnie)
- Ile czasu zajmuje nauka ML? Uczciwie, bez obietnic
- Jak sprawdzić, czy model jest dobry? Sama trafność kłamie
- Uczenie maszynowe a sztuczna inteligencja: czym się różnią
- Czy ChatGPT to uczenie maszynowe? Jak działa, w 5 krokach
- Pierwszy projekt ML na otwartych danych krok po kroku
- Matematyka do ML: co naprawdę jest potrzebne na start
- Python do machine learningu: ile trzeba umieć na start
Najlepsze darmowe materiały spoza ML Atlas
Stan na : każdy link otworzyliśmy tego dnia, a liczby pochodzą ze wskazanych stron. Kolejność od najłagodniejszego. Bez linków afiliacyjnych. Kliknij nazwę, żeby zobaczyć opis, poziom, język i koszt.
Elements of AI
Łagodne wprowadzenie: czym jest AI, co potrafi, a czego nie. Dobre, jeśli chcesz najpierw zrozumieć pojęcia. Zapisało się ponad 2 mln osób. Pierwsza część, „Podstawy sztucznej inteligencji”, jest po polsku; druga, „Building AI”, jest po angielsku i zaleca podstawy Pythona.
Źródło: elementsofai.com, elementsofai.pl. Sprawdzone .
Machine Learning Crash Course
Regresja, klasyfikacja, dane, przeuczenie, sieci neuronowe i modele językowe, z interaktywnymi wizualizacjami. 12 modułów i ponad 130 pytań ćwiczeniowych. Czasy podane przy modułach dają razem ok. 13,5 godziny (nasza suma). Google zaleca matematykę na poziomie zmiennych, równań liniowych, histogramów i średniej oraz podstawy Pythona. Wersja polska sama ostrzega, że tłumaczenie AI może zawierać błędy.
Otwórz: Machine Learning Crash Course
Źródło: Google: kurs, Google: wymagania i czasy modułów, Google: blog, 12.11.2024, wersja polska. Sprawdzone .
Kaggle Learn: Python, Pandas, Intro to Machine Learning
Krótkie kursy z ćwiczeniami w kodzie, w notatnikach Kaggle w przeglądarce (do ćwiczeń potrzebne konto, które zakładasz sam). Najkrótsza droga do Pythona i pandas, czyli do tego, czego kurs ML Atlas nie wymaga, ale samodzielna praca już tak. Kaggle szacuje: Python 5 godzin, Pandas 4 godziny, Intro to Machine Learning 3 godziny (7 lekcji). Na każdej stronie kursu: „No cost, like all Kaggle Learn Courses”.
Otwórz: Kaggle Learn: Python, Pandas, Intro to Machine Learning
Źródło: Kaggle: Python, Kaggle: Pandas, Kaggle: Intro to Machine Learning. Sprawdzone .
ML for Beginners
Klasyczne uczenie maszynowe (bez głębokiego uczenia) w lekcjach z quizami, głównie w Pythonie z scikit-learn. 12 tygodni, 26 lekcji i 52 quizy. Polska wersja ma dopisek, że przetłumaczono ją usługą tłumaczenia AI.
Źródło: GitHub: ML-For-Beginners, GitHub: wersja polska. Sprawdzone .
Practical Deep Learning for Coders
Głębokie uczenie od strony kodu, dla osób, które już programują. 9 lekcji po ok. 90 minut. Jedyny warunek wg autorów: umiesz programować (wystarczy rok doświadczenia), najlepiej w Pythonie. Najnowsza wersja kursu jest z 2022 roku.
Otwórz: Practical Deep Learning for Coders
Źródło: course.fast.ai. Sprawdzone .
Neural Networks: Zero to Hero
Budujesz sieć neuronową i mały model językowy od zera, linijka po linijce. Na później, po podstawach. 8 wykładów, razem 14 godzin 32 minuty (nasza suma czasów ze strony). Wymagania: dobry Python i matematyka na poziomie wstępu (pochodne, rozkład normalny).
Otwórz: Neural Networks: Zero to Hero
Źródło: karpathy.ai. Sprawdzone .
LLM Course
Praca z dużymi modelami językowymi: transformery, dostrajanie, zbiory danych. Dla tych, którzy chcą budować z LLM. Ok. 6–8 godzin pracy tygodniowo na rozdział. Wymaga dobrej znajomości Pythona; autorzy radzą zacząć po wstępnym kursie głębokiego uczenia.
Źródło: Hugging Face. Sprawdzone .
Kurs Andrew Ng na Courserze nie jest już darmowy
Wpisem z 8 sierpnia 2025 Coursera zastąpiła dawny bezpłatny tryb „audit” podglądem: za darmo jest pierwszy moduł prawie każdego kursu. Specjalizacja „Machine Learning” Andrew Ng kosztuje 49 $ miesięcznie (strona wspomina też o pomocy finansowej na wniosek). Wiele list „darmowych kursów ML” jest w tym miejscu nieaktualnych.
Źródło: Coursera: blog, 8.08.2025, Coursera: specjalizacja Machine Learning. Sprawdzone .
Najczęstsze pytania
Czy muszę umieć programować, żeby zacząć?
Nie, żeby zrozumieć. Kurs ML Atlas jest bez kodu i bez instalacji. Tak, żeby budować modele samodzielnie: wtedy potrzebne są podstawy Pythona i biblioteki pandas. Dobrze jest najpierw zrozumieć pojęcia, a potem uczyć się kodu, który je realizuje.
Ile matematyki potrzebuję?
Na start szkolnej: procenty, średnia, wykres funkcji. Pochodne, wektory i macierze przydają się później, głównie przy sieciach neuronowych. W lekcjach są w zwijanej warstwie „Matematyka”, a w Atlasie każde z tych pojęć ma osobne hasło.
Czy jest dobry darmowy kurs machine learning po polsku?
Kurs ML Atlas powstał po polsku i jest darmowy: 33 lekcje, razem ok. 385 min, z ćwiczeniem w przeglądarce w każdej lekcji. Z zewnątrz: Elements of AI ma polską pierwszą część, a kurs Google i ML for Beginners Microsoftu mają tłumaczenia wykonane przez AI.
Czy kurs Andrew Ng na Courserze jest darmowy?
Już nie. Od 8 sierpnia 2025 Coursera daje za darmo podgląd pierwszego modułu prawie każdego kursu, a specjalizacja „Machine Learning” kosztuje 49 $ miesięcznie (stan na 25 października 2026).
Czy da się nauczyć machine learning za darmo?
Wiedzę tak. Wszystkie materiały z listy na tej stronie są darmowe (stan na 25 października 2026): od Elements of AI przez kurs Google i Kaggle Learn po fast.ai i kurs LLM Hugging Face.