Recenzje

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.

„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

„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

Czy marketing naprawdę musi być skomplikowany, drogi i męczący? Książka „Lean marketing. Maksymalne efekty przy minimalnych działaniach” od @wydawnictwo_onepress pokazuje, że wcale nie! To ciekawa i bardzo praktyczna propozycja dla przedsiębiorców, właścicieli firm, marketingowców oraz wszystkich osób, które chcą skuteczniej docierać do klientów, ale nie chcą bez końca gonić za kolejnymi trendami. Dużą zaletą tej książki jest prosty sposób przekazywania wiedzy. Autor pokazuje, że skuteczny marketing nie musi polegać na krzykliwych reklamach, ogromnych budżetach i ciągłym wymyślaniu czegoś nowego. Zamiast tego warto działać mądrze, spokojnie i przede wszystkim konsekwentnie. Podejście lean pomaga skupić się na tym, co naprawdę przynosi efekty, a zrezygnować z działań, które zabierają czas i energię. Podoba mi się praktyczne podejście do tematu. Książka nie jest jedynie zbiorem marketingowych teorii, ale podpowiada, jak lepiej dopasować produkt do potrzeb klientów, budować zaufanie i tworzyć markę, która przyciąga właściwe osoby. Pokazuje również, że mniej czasami naprawdę znaczy więcej. „Lean marketing” to wartościowa lektura dla każdego, kto chce uporządkować swoje działania i przestać działać na oślep. Dużo konkretów, przydatnych wskazówek i świeże spojrzenie na marketing sprawiają, że książkę czyta się z poczuciem, że zdobytą wiedzę można wykorzystać w praktyce.