[eduexe-intent]course_content[/eduexe-intent] Uczenie Maszynowe (ML) to dziedzina Sztucznej Inteligencji, w której komputer uczy się na podstawie danych (przykładów), zamiast być programowanym krok po kroku. Dzięki temu tworzy modele zdolne do podejmowania decyzji lub prognozowania. [eduexe-source]7:1[/eduexe-source] Przykład: Zamiast pisać dokładne instrukcje, jak odróżnić psa od kota, komputerowi pokazujemy tysiące zdjęć psów i kotów (oznaczonych jako "pies" lub "kot"). On sam uczy się, co je charakteryzuje, a potem rozpoznaje nowe zdjęcia. Taki sposób nauki to uczenie nadzorowane, na którym skupia się ten kurs. [eduexe-source]7:6[/eduexe-source] Pytanie sprawdzające: Jaka jest główna różnica między uczeniem nadzorowanym a nienadzorowanym?

[eduexe-intent]course_content[/eduexe-intent] Macierz pomyłek (ang. confusion matrix), nazywana również tablicą pomyłek, to tabela pokazująca, ile przykładów ze zbioru testowego zostało poprawnie zaklasyfikowanych przez model do właściwej klasy, a ile błędnie. Ma ona kluczowe znaczenie dla oceny modeli i jest podstawą do obliczania metryk. [eduexe-source]20:1[/eduexe-source][eduexe-source]21:2[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] Podstawą do obliczania metryk w uczeniu maszynowym jest macierz pomyłek. Pokazuje ona, ile przykładów testowych zostało sklasyfikowanych przez model poprawnie, a ile błędnie, dzieląc je na cztery kategorie: prawdziwie pozytywne (TP), prawdziwie negatywne (TN), fałszywie pozytywne (FP) i fałszywie negatywne (FN). [eduexe-source]21:2[/eduexe-source]

[eduexe-intent]other[/eduexe-intent] Nie, żadna z metryk (dokładność, precyzja, czułość, F-score) nie jest obiektywnie lepsza od innych. Każda z nich ma swoje wady i zalety, a wybór odpowiedniej zależy od specyfiki danych i głównego celu modelu. [eduexe-source]26:4[/eduexe-source]

[eduexe-intent]other[/eduexe-intent] Rozumiem, że pytasz, czy ukończyłeś/ukończyłaś kurs. Z moich danych wynika, że nie odwiedziłeś/odwiedziłaś jeszcze komponentu "Podsumowanie aktywności w kursie" (komponent 38), który jest niezbędny do sfinalizowania statusu kursu. Proszę, przejdź do niego, aby zakończyć kurs.

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

[eduexe-intent]course_content[/eduexe-intent] Czułość (recall) mierzy, jaki procent wszystkich rzeczywistych pozytywnych przypadków model jest w stanie wykryć. Jest ona kluczowa, gdy zależy nam na zminimalizowaniu liczby fałszywie negatywnych przypadków, czyli sytuacji, w której model nie wykrywa pozytywnego przypadku, który faktycznie występuje. Przykładem może być diagnostyka choroby, gdzie chcemy wykryć jak najwięcej chorych, nawet jeśli błędnie zaklasyfikujemy kilka zdrowych osób. [eduexe-source]24:1[/eduexe-source][eduexe-source]26:4[/eduexe-source]

[eduexe-intent]student_progress[/eduexe-intent] Pytania, które zadajesz mi jako asystentowi, nie są punktowane. Punkty w kursie można zdobyć za test początkowy oraz testy cząstkowe (po każdym module) lub test końcowy. [eduexe-source]1:1[/eduexe-source]

[eduexe-intent]other[/eduexe-intent] Precyzję oblicza się dzieląc liczbę prawdziwie pozytywnych przypadków (TP) przez sumę prawdziwie pozytywnych (TP) i fałszywie pozytywnych (FP) przypadków. Dla podanych wartości, gdzie TP=15 i FP=10: Precyzja = 15 / (15 + 10) = 15 / 25 = 0.6, czyli 60%. [eduexe-source]23:1[/eduexe-source][eduexe-source]23:2[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] W ostatnim zadaniu, jeśli masz do czynienia z modelem klasyfikacji i chcesz ocenić jego jakość, powinieneś sugerować się F-score (64%) zamiast dokładności (73%), jeśli potrzebujesz kompromisu między precyzją a czułością. Dokładność (accuracy) jest uniwersalna, ale może być myląca, gdy w danych występują duże różnice w liczebności klas. F-score, będąc średnią harmoniczną precyzji i czułości, ocenia model bardziej obiektywnie w takich przypadkach [eduexe-source]26:4[/eduexe-source][eduexe-source]25:1[/eduexe-source][eduexe-source]22:6[/eduexe-source].

[eduexe-intent]course_content[/eduexe-intent] F-score to metryka, która stanowi próbę stworzenia bardziej uniwersalnej miary oceny modelu, opartej jednocześnie na Precyzji (precision) i Czułości (recall). Oblicza się ją jako średnią harmoniczną tych dwóch metryk. [eduexe-source]25:1[/eduexe-source][eduexe-source]25:2[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent] Za test początkowy można było zdobyć maksymalnie 10 punktów [eduexe-source]1:1[/eduexe-source]. Biorąc pod uwagę, że w poprzedniej rozmowie wymieniono 4 pytania, w których popełniłaś błędy, a uzyskałaś 2 punkty, można wnioskować, że test składał się z 5 pytań, a każde z nich było warte 2 punkty.

[eduexe-intent]other[/eduexe-intent] Twoja odpowiedź jest częściowo poprawna, ale wymaga precyzacji. Dokładność (accuracy) może być mylącą metryką w sytuacji, gdy mamy do czynienia z nierówną liczebnością klas (ang. imbalanced classes), czyli gdy jedna klasa ma znacznie mniej przykładów niż pozostałe. W takim przypadku, nawet jeśli model ignoruje rzadką klasę i zawsze przewiduje klasę dominującą, dokładność może być wysoka, ale model będzie bezużyteczny dla rzadkiej klasy. [eduexe-source]22:6[/eduexe-source] Czy chcesz odpowiedzieć na kolejne pytanie, czy masz inne pytania?

[eduexe-intent]course_content[/eduexe-intent] Ten kurs ma na celu przybliżenie podstaw Uczenia Maszynowego (UM) z wykorzystaniem intuicyjnych przykładów. Skupia się na zadaniach praktycznych wykonywanych w Google Teachable Machine, jednocześnie zawierając niezbędne elementy teoretyczne. Kurs wprowadza w fundamentalne pojęcia takie jak zbiór uczący i testowy, epoki, wsad, współczynnik uczenia, funkcja straty, przeuczenie, niedouczenie oraz metryki. Można go zatem traktować jako "wstępniaczek" do podstaw, które faktycznie stanowią fundament tej dziedziny. [1:1]

[eduexe-intent]other[/eduexe-intent] Rozumiem Twoje pytanie. Jako asystent e-learningowy, analizuję Twoje postępy w kursie (czas spędzony, wyniki quizów, ukończone moduły), aby móc oferować spersonalizowane wsparcie, rekomendacje i dostosowywać ścieżkę nauki do Twoich indywidualnych potrzeb. Celem jest zapewnienie jak najefektywniejszej nauki i pomoc w osiągnięciu celów kursu. [eduexe-source]1:1[/eduexe-source]