conversation_by_i8x

[bot_external]

W przypadku pliku "test_B0.jpg" nie mamy do czynienia z żadnym problemem z danymi. Jak możemy zaobserwować, wczytana ilustracja to książkowy przykład ręcznie pisanej cyfry 2, nie przypominający jednocześnie żadnej innej cyfry. Model ma taką klasę, znajduje się w niej dużo (200) przykładów, nie ma więc powodu, dla którego miałby sobie nie poradzić z prawidłową klasyfikacją tej ilustracji.

[student_i8x]

co jest w rodziale d1 metryki

[bot_external]

Nie ma informacji w dostępnym kontekście o rodzaju "d1" metryki.

[student_i8x]

co znajduje się w rozdziale kursu metryki?

[bot_external]

W rozdziale kursu "metryki" znajdują się omówione następujące tematy:

• Dokładność (accuracy)
• Precyzja (precision)
• Czułość (recall)
• F-score
• Porównywanie modeli

[student_i8x]

co znajduje się w rozdziale kursu dane w procesie uczenia

[bot_external]

W rozdziale kursu "Dane w procesie uczenia" nie ma informacji o tym, co znajduje się w tym rozdziale. Informacja o tym, co znajduje się w rozdziale kursu "Dane w procesie uczenia" nie jest dostępna w dostępnym kontekście.

[student_i8x]

czym jest sztuczna inteligencja?

[bot_external]

Sztuczna inteligencja to ogólna nazwa dla dziedziny badań, która zajmuje się tworzeniem systemów komputerowych, które mogą wykonywać zadania, które są typowe dla ludzi, takie jak rozwiązywanie problemów, uczenie się i podejmowanie decyzji.

[student_i8x]

czym jest sztuczna inteligencja

[student_i8x]

czym jest uczenie maszynowe

[student_i8x]

na czym polega uczenie maszynowe?

[bot_external]

Uczenie maszynowe (ang. Machine Learning - ML) polega na rozwijaniu algorytmów automatycznie poprawiających się poprzez doświadczenie, czyli ekspozycję na dane. Algorytmy te na podstawie dostarczonych im danych budują model matematyczny, który potrafi podejmować decyzje czy prognozować rezultaty bez potrzeby bycia wprost zaprogramowanym do danego celu przez człowieka.

Główne elementy Uczenia Maszynowego to:

• dane - duże zbiory danych używane do trenowania i testowania działania modelu
• model - matematyczna reprezentacja problemu, uczona na podstawie danych
• algorytm - zestaw reguł i procedur używany do uczenia modelu na podstawie danych
• funkcja straty - funkcja używana do oceny, jak dobrze model działa - im niższa strata, tym lepszy model
• optymalizacja - proces dopasowywania parametrów modelu w celu minimalizacji funkcji straty

Przykładem uczenia maszynowego jest wytrenowanie modelu matematycznego, który potrafi oceniać nowe dane, z którymi nie spotkał się w procesie uczenia się.