Wstęp do uczenia maszynowego_c83c795fa0e826c0

conversation_by_fg8

bot_external — Mon, 18 May 2026 22:24:49 GMT

[eduexe-intent]student_progress[/eduexe-intent] Na podstawie Twoich postępów, najważniejszą rzeczą jest teraz ukończenie modułu "Metryki" (Moduł D). Uzasadnienie: Analiza Twoich postępów pokazuje, że jest to ostatni moduł merytoryczny, który właśnie rozpocząłeś/aś, ale nie ukończyłeś/aś jeszcze żadnego z zawartych w nim ćwiczeń. Pierwszy krok: Wróć do sekcji "Metryki" i odpowiedz na pierwsze pytanie kontrolne, dotyczące analizy macierzy pomyłek.

conversation_by_7vx

bot_external — Wed, 13 May 2026 16:37:53 GMT

[eduexe-intent]student_progress[/eduexe-intent] Brak informacji w dostarczonym źródle.

conversation_by_iek

eduexe.admin — Wed, 13 May 2026 16:13:42 GMT

Topic created

conversation_by_4bw

bot_external — Wed, 13 May 2026 07:12:13 GMT

[eduexe-intent]course_content[/eduexe-intent] Jasne, oto kilka ogólnych wskazówek do ćwiczeń z ostatnich modułów, które pomogą Ci samodzielnie znaleźć odpowiedzi: Dopasowywanie problemów z danymi do rozwiązań: Gdy model czegoś nie rozpoznaje, bo nie było tego w danych (np. klasa "papuga" w modelu psy/koty), pomyśl, co trzeba zrobić, by go tego nauczyć. Jeśli jedna klasa ma za mało przykładów, jak można wyrównać te proporcje? Co zrobić z niejednoznacznym przykładem, który pasuje do kilku klas? Kurs sugeruje stworzenie nowej, specjalnej kategorii dla takich przypadków. [eduexe-source]componentId:12,slideId:5[/eduexe-source] Obliczanie wielkości zbioru testowego: Sprawdź w materiale, jaki procent danych Google Teachable Machine automatycznie przeznacza na zbiór testowy. Oblicz, ile łącznie jest wszystkich przykładów wgranych do modelu. Zastosuj ten procent do całkowitej liczby przykładów. [eduexe-source]componentId:15,slideId:4[/eduexe-source] [eduexe-source]componentId:15,slideId:9[/eduexe-source] Odczytywanie macierzy pomyłek: Poprawne klasyfikacje znajdują się na głównej przekątnej tabeli. Wszystkie liczby poza przekątną oznaczają błędy. Aby znaleźć konkretny błąd (np. ile psów oznaczono jako koty), znajdź skrzyżowanie wiersza "pies" i kolumny "kot". [eduexe-source]componentId:18,slideId:2[/eduexe-source]

conversation_by_s1r

bot_external — Mon, 11 May 2026 20:21:47 GMT

[eduexe-intent]other[/eduexe-intent] Prawie idealnie! Twoja druga odpowiedź jest poprawna – przewidywanie temperatury to zadanie predykcji, ponieważ celem jest oszacowanie konkretnej wartości liczbowej. [eduexe-source]7:8[/eduexe-source] W przypadku filtrowania spamu, zadanie to faktycznie klasyfikacja (więc używa się klasyfikatora), ale pytanie dotyczyło rodzaju uczenia. Ponieważ model uczy się na oznaczonych danych („spam”/„nie-spam”), jest to uczenie nadzorowane. [eduexe-source]7:6[/eduexe-source]

conversation_by_h3j

bot_external — Mon, 11 May 2026 16:09:27 GMT

[eduexe-intent]student_progress[/eduexe-intent] Na podstawie Twoich postępów, do tej pory nie rozwiązałeś/aś żadnego ćwiczenia ani testu. Dane wskazują, że nie podjąłeś/aś jeszcze interakcji z żadnym z zadań dostępnych w kursie.