Recenzje

„GitHub Copilot. Wprowadzenie” to solidny i uporządkowany przewodnik po możliwościach jednego z najpopularniejszych asystentów AI dla programistów. Książka przedstawia konfigurację narzędzia, generowanie kodu, pracę z Copilot Chat, tworzenie testów i dokumentacji, zarządzanie kontekstem oraz nowsze funkcje, takie jak Copilot Edits, Agent i Vision. Największą zaletą książki jest szeroki zakres oraz praktyczne podejście. Może bardzo dobrze sprawdzić się jako wprowadzenie dla osób, które dopiero zaczynają korzystać z GitHub Copilota i chcą poznać jego możliwości w uporządkowany sposób. Dla osób mających już doświadczenie z Copilotem spora część treści będzie jednak dobrze znana. Zabrakło mi większej liczby zaawansowanych przykładów, analizy pracy z rozbudowanymi projektami oraz głębszego omówienia ograniczeń i problemów pojawiających się podczas codziennego korzystania z AI. Trzeba też pamiętać, że GitHub Copilot rozwija się bardzo szybko, dlatego część informacji może stosunkowo szybko stracić aktualność. To bardzo dobra książka na początek i wartościowe uporządkowanie wiedzy. Początkujący znajdą w niej wiele przydatnych informacji, natomiast bardziej doświadczeni użytkownicy powinni traktować ją głównie jako przekrojowy przewodnik, a nie źródło przełomowej czy bardzo zaawansowanej wiedzy. Moja ocena: 4/5.

„Inteligentny inaczej” pomaga ułożyć sobie w głowie to, co obecnie dzieje się w internecie. I chyba właśnie to jest jej największą wartością. To książka o sztucznej inteligencji, inteligencji w ogóle i o tym, co właściwie mamy na myśli, kiedy używamy tych wszystkich wielkich słów. Przy okazji jest sporo historii, filozofii, matematyki i odczarowywania marketingowej narracji, która narosła wokół AI, a szczególnie AGI. Czyta się ją dobrze. Bardzo lekko. I to jest spory plus, szczególnie że większość książek poruszających podobne tematy wpada w jedną z dwóch pułapek: albo robi się z nich wykład akademicki, albo techniczny podręcznik. Tutaj autor zdecydowanie próbuje mówić po ludzku. Początkowo ten styl może wydawać się trochę przegadany. Po dłuższej lekturze zacząłem jednak widzieć w nim sens. Szczególnie jeśli spojrzymy na książkę z perspektywy osoby, która dopiero wchodzi w ten temat. Autor nie zakłada, że czytelnik od razu zna wszystkie pojęcia i używa sporo lekkich analogii. Podoba mi się też przekrojowe podejście do samego pojęcia inteligencji. Autor nie ogranicza się do jednej, wygodnej definicji, tylko rozkłada inteligencję na różne elementy i pokazuje, jak bardzo skomplikowane jest to pojęcie. I tutaj zaczyna się ciekawsza część. Momentami książka robi się bardzo filozoficzna. Czasem miałem wrażenie, że nie do końca wiem, do czego autor właściwie zmierza. Odważne jest też dość intensywne opisywanie matematyki. Doceniam próbę pokazania problemu od tej strony, momentami trochę się one ciągną i gubiłem ich główny cel. Na szczęście autor potrafi umilić czytelnikowi nawet te trudniejsze fragmenty. Matematycznych żartów jest tu całkiem sporo. Choć podejrzewam, że nie wszystkie będą równie zabawne dla osób bez odpowiedniego doświadczenia. Co ciekawe, mimo studiów z informatyki i matematyki, momentami musiałem się naprawdę mocno skupić, żeby nadążyć. To sprawiło, że zacząłem się zastanawiać, na ile książka jest faktycznie przystępna dla osoby bez takiego przygotowania. Bo z jednej strony jest bardzo dobra dla osób nietechnicznych. Są świetne porównania i analogie, które pozwalają oswoić pozornie trudne pojęcia. Z drugiej strony, nie wszystkie fragmenty są równie przystępne. Niektóre wymagają już trochę więcej cierpliwości i uwagi. Duży plus za rzetelność. Autor pokazuje sporo historii i próbuje oddzielić to, co rzeczywiście wynika z technologii, od tego, co jest elementem marketingowej narracji. Szczególnie celnie komentuje obecny hype wokół AGI. Jednocześnie mam wrażenie, że książka jest jednak wyraźnie nastawiona w określoną stronę. Czuć pewne faworyzowanie konkretnego sposobu patrzenia na problem. Nie jest to dla mnie dyskwalifikujące, ale warto mieć tego świadomość i dla równowagi sięgnąć również po pozycje prezentujące przeciwną perspektywę. Dodatkowo, to nie jest książka praktyczna. Nie siadałbym do niej w poszukiwaniu gotowych wzorców wdrożeniowych, checklist czy modeli myślowych do wykorzystania następnego dnia w pracy. To raczej bardzo obszerny felieton o inteligencji. Taki, który bierze ją na warsztat, rozkłada na czynniki pierwsze i ogląda z wielu różnych stron. I chyba właśnie dlatego dużo z tej książki wyniosłem. Nie zmieniła drastycznie mojego spojrzenia na AI. Bardziej je ugruntowała i rozszerzyła. Przy okazji wpadło mi do głowy kilka ciekawych pomysłów, a to dla mnie zawsze dobry znak po książce. Mam jednak wrażenie, że „Inteligentny inaczej” jest trochę trudniejszy niż poprzednia książka autora. Poziom był dla mnie wyższy, niż początkowo zakładałem. Mimo wszystko zdecydowanie polecam. Szczególnie jeśli ktoś chce nie tyle nauczyć się „jak używać AI”, ile lepiej zrozumieć, czym właściwie jest inteligencja, skąd wzięły się obecne zachwyty nad AI i dlaczego część internetowej narracji warto traktować z pewnym dystansem. A także nie bać się, że za kilka lat spełni się wizja z filmu Terminator. Przede wszystkim książka pomaga ułożyć sobie w głowie to, co obecnie dzieje się w internecie. A to już bardzo duża zaleta.

Świetna książka pokazująca, że Lean nie kończy się na produkcji czy IT, ale może być z powodzeniem stosowany również w marketingu. Autor przekonuje, że skuteczny marketing zaczyna się od zrozumienia rynku i potrzeb klientów, a nie od tworzenia produktu i szukania dla niego odbiorców. Najbardziej wartościowe są praktyczne wskazówki dotyczące wyboru grupy docelowej, budowania niszy oraz koncentracji na działaniach, które rzeczywiście tworzą wartość. To lektura pełna konkretnych przykładów i inspiracji dla przedsiębiorców, marketerów oraz wszystkich, którzy chcą lepiej rozumieć swoich klientów. Polecam szczególnie osobom zainteresowanym Lean, Agile i customer-centricity. Po przeczytaniu tej książki trudno patrzeć na marketing w ten sam sposób.

EM poleca (#65) Aurélien Géron „Uczenie maszynowe z użyciem Scikit-Learn i PyTorch” autor: Wiesław Seweryn · Opublikowano 9 września 2026 · Zaktualizowano 8 września 2026 „Uczenie maszynowe z użyciem Scikit-Learn i PyTorch” to polska edycja bestsellerowego podręcznika Auréliena Gérona. Książka liczy 816 stron i stanowi kompleksowy przewodnik po uczeniu maszynowym (ML) i głębokim uczeniu (deep learning), wykorzystujący dwa najpopularniejsze pythonowskie frameworki: Scikit-Learn do klasycznych algorytmów ML oraz PyTorch do programowania sieci neuronowych. Jest to kolejne wydanie i aktualizacja wcześniejszych edycji, które opierały się na TensorFlow i Keras - Géron zastąpił je PyTorchem, odpowiadając na zmiany w szybko zmieniającym się ekosystemie ML. Struktura i zawartość Książka podzielona jest na dwie główne części, które prowadzą czytelnika od fundamentów po zaawansowane techniki deep learningu. Część I - Podstawy uczenia maszynowego (Scikit-Learn) Pierwsza część obejmuje fundamenty ML i pracę z biblioteką Scikit-Learn: - Przygotowanie danych - czyszczenie, transformacja i inżynieria cech. - Wybór i trenowanie modeli - walidacja krzyżowa, metryki oceniania. - Algorytmy klasyfikacji i regresji - regresja liniowa i logistyczna. - Drzewa decyzyjne i lasy losowe. - Techniki redukcji wymiarowości. - Kompletny projekt ML. Część II - Uczenie głębokie (PyTorch) Druga część koncentruje się na sieciach neuronowych i frameworku PyTorch: - Podstawy sieci neuronowych - perceptrony, propagacja wsteczna, optymalizatory. - Sieci splotowe (CNN). - Sieci rekurencyjne (RNN, LSTM). - Transformery. - Uczenie przez wzmacnianie (RL) (ang. reinforcement learning). - Generatywne modele AI. - Optymalizacja modeli. Styl książki i podejście do tematu Géron pisze w przystępnym stylu, ale bez uproszczeń, z naciskiem na praktyczne przykłady i intuicyjnie zrozumiałe wyjaśnienia. Każdy rozdział zawiera praktyczne przykłady w postaci notatników Jupyter, do przećwiczenia przez Czytelnika. Podstawy uczenia maszynowego Uczenie maszynowe (Machine Learning, ML) to dziedzina sztucznej inteligencji, w której systemy informatyczne uczą się wykonywać zadania na podstawie danych, zamiast być jawnie programowane do każdego konkretnego przypadku. Zamiast pisać reguły typu „jeśli X, to Y”, dostarczamy algorytmowi przykłady, a on sam odkrywa wzorce i podejmuje na ich podstawie decyzje. Uczenie maszynowe to proces, w którym komputer wykorzystuje dane treningowe do pozyskania oraz udoskonalenia umiejętności w określonym temacie/zadaniu poprzez doświadczenie. Kluczowa idea polega na tym, że system „uczy się” z danych treningowych, budując model matematyczny, który może później poprawnie działać na innych, wcześniej nieznanych danych. Jest to odrębny paradygmat programowania. Rodzaje systemów uczenia maszynowego 1. Uczenie nadzorowane (Supervised Learning). Algorytm uczy się na danych opatrzonych „etykietami” - czyli każdy przykład treningowy ma przypisaną poprawną odpowiedź. 2. Uczenie nienadzorowane (Unsupervised Learning). Dane nie mają „etykiet”, algorytm sam musi znaleźć w danych strukturę i odkryć wzorce. 3. Uczenie przez wzmacnianie (Reinforcement Learning, RL). Program (agent) uczy się poprzez interakcję ze środowiskiem, otrzymując nagrody lub będąc karanym za swoje działania. Przykładem jest na przykład nauczenie systemu AlphaGo gry w go. Kluczowe pojęcia Dane treningowe i testowe. Zbiór treningowy to dane, na których model się uczy. Zbiór testowy to, na których oceniamy jakość i wydajność modelu (dane testowe muszą być różne i niezależne od danych treningowych). Cechy (Features) i etykiety (Labels). Cechy to zmienne wejściowe, które opisują dane (np. metraż domu, liczba pokoi). Etykiety to zmienne wyjściowe, które chcemy przewidzieć (np. cena domu) Overfitting i underfitting. Overfitting (przeuczenie) - model zbyt ściśle dopasowuje się do danych treningowych, ale przez to źle generalizuje i nie sprawdza się na nowych danych. Underfitting (niedouczenie) - model jest zbyt prosty i nie wyłąpuje nawet podstawowych wzorców w danych. Walidacja krzyżowa (Cross-Validation). Jest to technika oceny modelu, która dzieli dane na wiele podzbiorów i wielokrotnie przeprowadza cykl trening-testowanie modelu na różnych kombinacjach. Książka Gérona „Uczenie maszynowe z użyciem Scikit-Learn i PyTorch” jest doskonałym punktem startu, ponieważ prowadzi czytelnika przez wszystkie te etapy z licznymi praktycznymi przykładami. Książkę można polecić zarówno początkującym, którzy chcą przejść od prostych skryptów do zaawansowanych aplikacji wykorzystujących sztuczną inteligencję, jak i doświadczonym praktykom szukającym aktualnego kompendium wiedzy o machine learning. Aurélien Géron „Uczenie maszynowe z użyciem Scikit-Learn i PyTorch. Koncepcje, narzędzia i techniki umożliwiające konstruowanie inteligentnych systemów”. Wydawnictwo Helion 2026

🔸ChatGPT to narzędzie, które potrafi ułatwić życie. Pewnie każdy z nas codziennie albo prawie codziennie zada mu jakieś pytanie. Książka „ChatGPT dla bystrzaków” pokaże nam jak można generować obrazy, tworzyć skuteczne polecenia i edytować teksty w sposób etyczny. 🔸Dzięki tej książce dowiemy się czym tak naprawdę jest ChatGPT oraz jakie mity o nim krążą. Poznamy jego różne zastosowania jak np. w marketingu, w dziale prawa, w opiece zdrowotnej. Jest on również wsparciem dla nauczycieli czy programistów. 🔸Książka ta w sposób łatwy i wyczerpujący opisuje narzędzie, które pomaga, ale również wzbudza wiele obaw. Dzięki niej można jednak bardziej zrozumieć ChatGPT i rozwiać przynajmniej niektóre z naszych obaw. 🔸W środku książki znajdziemy wiele przykładów zastosowania ChatGPT, wykresów i ilustracji. Układ tekstu jest miły dla oka. Stosowane są tutaj liczne akapity i odstępy pomiędzy przykładami a teorią, które są przyjemne w odbiorze. Dzięki takiemu układowi lepiej czyta się taki typ książki i łatwiej zapamiętuje się zdobyte informacje. 🔸Książkę polecam tym, którzy chcą zrozumieć i wykorzystać ChatGPT w pracy i w codziennym życiu, a także przygotować się na nieuniknione zmiany, jakie przyjdą wraz z rozwojem tego narzędzia.