Recenzje

„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

„Krzysztof nie zatrzymuje się na teoretycznych definicjach, lecz prowadzi czytelnika wprost do warsztatu: pokazuje narzędzia, komendy i realne scenariusze. Dzięki temu dokument od razu staje się konkretną mapą działania, a nie kolejną akademicką lekturą. To połączenie warsztatowego charakteru, świadomej etyki i logicznej struktury sprawia, że książka staje się naturalnym wyborem dla osób, które chcą naprawdę zrozumieć bezpieczeństwo sieci.”

„Dawno nie czytałam tak szczegółowej publikacji. Książka jest idealna dla początkujących ale osoby na wyższym poziomie również znajdą coś dla siebie. Krzysztof nie tylko przeprowadza Cię krok po kroku „za rączkę” ale również tłumaczy po co coś robisz. Tłumaczenie komend, instalacji i konfiguracji na na najwyższym poziomie a jednocześnie bardzo prostym i dostępnym językiem. Nie musisz się zastanawiać co wybrać – wszystko masz pięknie podane na tacy. Trzy razy podchodziłam do zbudowania swojego laboratorium – ta książka i rady Krzysztofa pozwoliła mi to zrealizować w bezbolesny sposób. Bardzo żałuję, że nie było takiej publikacji kiedy zaczynałam swoją naukę sieci. Dla mnie must-have dla każdej osoby zaczynającej naukę sieci, pentestów i cyberbezpieczeństwa.”

„Na książkę Krzysztofa Godzisza „Etyczny Hacking i testy penetracyjne” natrafiłem przypadkiem, ale już po wstępnej analizie spisu treści wiedziałem, że muszę ją nabyć, co zresztą zrobiłem od razu w dniu premiery. Po pierwszych stronach zacząłem żałować, że książka nie ukazała się w momencie, gdy przebranżawiałem się na sieci komputerowe i cyberbezpieczeństwo. Jest to jedna z tych pozycji, w których autor przedstawia świat bezpieczeństwa sieci LAN i WLAN w taki sposób, że osoba, dla której ta tematyka jest nowa, nie powinna mieć większego problemu z przyswojeniem wiedzy. Poziom trudności wzrasta stopniowo ale czytelnik cały czas zachowuje kontrolę nad tym co się w treśći dzieje. Odnoszę wręcz wrażenie, że zanim przejdziemy do „hakowania” na serio, autorowi bardzo zależy na tym, abyśmy najpierw wiedzieli, co właściwie robimy i czemu ma to służyć. Stąd między innymi wyjaśnienia dotyczące systemów, sposobów ich instalacji, środowisk, na których będziemy pracować, a także fizycznego sprzętu, którego będziemy używać oraz co bardzo ważne, autor konsekwentnie podkreśla że podstawą wszystkiego jest etyka. Książkę zakupiłem jednak już jako trener cyberbezpieczeństwa i to zarówno awarenessowego, jak i warsztatowego i mimo że różnego rodzaju techniki etycznego hackingu pokazuję na swoich szkoleniach od dłuższego czasu, książka Krzysztofa doskonale uzupełniła moją wiedzę. Jest to zatem pozycja nie tylko dla początkujących ale również dla tych, którzy stale chcą sobie podnosić poprzeczkę w tematyce bezpieczeństwa sieci LAN i WLAN. Czerpałem więc z jednej strony dużą przyjemność z dalszego pogłębiania wiedzy, a z drugiej mogłem również zaadaptować kilka cennych uwag autora do tematyki własnych szkoleń.”