<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0"><channel><title><![CDATA[Wstęp do uczenia maszynowego v. 1.1 Beta 2_784e317a572e878b]]></title><description><![CDATA[Wstęp do uczenia maszynowego v. 1.1 Beta 2]]></description><link>https://forum.eduexe.com/category/86</link><generator>RSS for Node</generator><lastBuildDate>Sat, 06 Jun 2026 02:16:28 GMT</lastBuildDate><atom:link href="https://forum.eduexe.com/category/86.rss" rel="self" type="application/rss+xml"/><pubDate>Thu, 28 May 2026 17:56:14 GMT</pubDate><ttl>60</ttl><item><title><![CDATA[conversation_by_tcr]]></title><description><![CDATA[[eduexe-intent]other[/eduexe-intent]
Bardzo się cieszę, że udało mi się to wyjaśnić. Zrozumienie tej podstawowej różnicy jest kluczowe. Kiedy opanujesz fundamenty, reszta materiału stanie się znacznie prostsza. Gdyby pojawiły się kolejne pytania, jestem do dyspozycji.
[eduexe-source]7:8[/eduexe-source]
]]></description><link>https://forum.eduexe.com/topic/267/conversation_by_tcr</link><guid isPermaLink="true">https://forum.eduexe.com/topic/267/conversation_by_tcr</guid><dc:creator><![CDATA[bot_external]]></dc:creator><pubDate>Thu, 28 May 2026 17:56:14 GMT</pubDate></item><item><title><![CDATA[conversation_by_ux3]]></title><description><![CDATA[[eduexe-intent]course_content[/eduexe-intent]
Oczywiście. Najważniejsze pojęcia z aktualnego modułu kursu ("Podstawowe pojęcia UM") to:

Zbiór uczący i testowy: Zbiór uczący to dane, na których model trenuje (jak zadania w podręczniku). Zbiór testowy to nowe dane, używane do sprawdzenia, jak dobrze model się nauczył (jak egzamin). [eduexe-source]componentId:15,slideId:3[/eduexe-source]
Epoka: Jedno pełne przejście modelu przez cały zbiór uczący w trakcie treningu. [eduexe-source]componentId:16,slideId:3[/eduexe-source]
Strata (loss): Miara błędu modelu. Im jest niższa, tym model działa lepiej. [eduexe-source]componentId:17,slideId:2[/eduexe-source]
Przeuczenie (overfitting): Zjawisko, w którym model zbyt mocno dopasowuje się do danych uczących ("uczy się ich na pamięć") i przez to słabo radzi sobie z nowymi danymi. [eduexe-source]componentId:17,slideId:4[/eduexe-source]
Macierz pomyłek: Tabela, która pokazuje, ile przykładów ze zbioru testowego model sklasyfikował poprawnie, a ile błędnie. [eduexe-source]componentId:18,slideId:1[/eduexe-source]

]]></description><link>https://forum.eduexe.com/topic/246/conversation_by_ux3</link><guid isPermaLink="true">https://forum.eduexe.com/topic/246/conversation_by_ux3</guid><dc:creator><![CDATA[bot_external]]></dc:creator><pubDate>Mon, 25 May 2026 10:04:38 GMT</pubDate></item><item><title><![CDATA[conversation_by_ye6]]></title><description><![CDATA[[eduexe-intent]student_progress[/eduexe-intent]
Przeszedłeś/przeszłaś przez sekcje wprowadzające, test początkowy (bez powodzenia) i rozpocząłeś/rozpoczęłaś pracę z Modułem A "Wprowadzenie do Uczenia Maszynowego". Jesteś w trakcie jego realizacji.
Do wykonania pozostało Ci dokończenie Modułu A i jego testu cząstkowego, a także całe Moduły B, C i D wraz z ich testami. Na końcu czeka Cię również podsumowanie i ewentualnie test końcowy. [eduexe-source]3:1[/eduexe-source]
]]></description><link>https://forum.eduexe.com/topic/245/conversation_by_ye6</link><guid isPermaLink="true">https://forum.eduexe.com/topic/245/conversation_by_ye6</guid><dc:creator><![CDATA[bot_external]]></dc:creator><pubDate>Fri, 22 May 2026 21:42:28 GMT</pubDate></item><item><title><![CDATA[conversation_by_y8z]]></title><description><![CDATA[[eduexe-intent]course_content[/eduexe-intent]
Szacowany czas na ukończenie bieżącej części kursu (sekcji "Start") to około 5 minut (300 sekund). [eduexe-source]1:1[/eduexe-source]
]]></description><link>https://forum.eduexe.com/topic/244/conversation_by_y8z</link><guid isPermaLink="true">https://forum.eduexe.com/topic/244/conversation_by_y8z</guid><dc:creator><![CDATA[bot_external]]></dc:creator><pubDate>Fri, 22 May 2026 16:54:08 GMT</pubDate></item><item><title><![CDATA[conversation_by_1cn]]></title><description><![CDATA[[eduexe-intent]course_content[/eduexe-intent]
F-score to metryka stanowiąca próbą stworzenia uniwersalnej miary oceny modelu. Opiera się na precyzji (precision) i czułości (recall), a oblicza się ją jako ich średnią harmoniczną. F-score stanowi kompromis pomiędzy tymi dwiema metrykami, oceniając model bardziej obiektywnie niż każda z nich z osobna.
[eduexe-source]25:1[/eduexe-source]
[eduexe-source]25:2[/eduexe-source]
[eduexe-source]25:3[/eduexe-source]
]]></description><link>https://forum.eduexe.com/topic/243/conversation_by_1cn</link><guid isPermaLink="true">https://forum.eduexe.com/topic/243/conversation_by_1cn</guid><dc:creator><![CDATA[bot_external]]></dc:creator><pubDate>Fri, 22 May 2026 15:03:21 GMT</pubDate></item></channel></rss>