conversation_by_2gp

[student_994_2gp]

Co to znaczy, że agent ma preferencje?

[bot_external]

Agent ma preferencje – są sytuacje, w których wolałby się znaleźć, i sytuacje, których stara się unikać.

[student_994_2gp]

Podaj przykład

[bot_external]

Przykładem agenta w kontekście sztucznej inteligencji może być model Uczenia Maszynowego, który postrzega dane wejściowe i podejmuje działania, takie jak klasyfikowanie obrazów lub tekstów, aby osiągnąć określony cel.

[student_994_2gp]

Aha, a jakie sa jeszcze rodzaje agentow

[bot_external]

W kontekście sztucznej inteligencji, agentami mogą być różne rodzaje systemów, takie jak:

• Autonomiczne bronie śmiercionośne (LAWs), które mogą samodzielnie wyszukiwać i zwalczać cele w oparciu o zaprogramowane ograniczenia i opisy.
• Autonomiczne pojazdy bojowe bezzałogowe, takie jak Crusher, który jest kontynuacją poprzedniego pojazdu Spinner.
• Autonomiczne drony skrzydłowe, takie jak CATS Warrior, który jest przeznaczony do użytku przez Indyjskie Siły Powietrzne.
• Autonomiczne strażnicze wieżyczki, takie jak SGR-A1, która została opracowana wspólnie przez Samsung Techwin i Korea University.

Wszystkie te systemy mogą być uważane za rodzaje agentów w kontekście sztucznej inteligencji, ponieważ mogą postrzegać swoje otoczenie i podejmować działania w celu osiągnięcia określonych celów.

[student_994_2gp]

A jakieś rodzaje mniej związane z wojną?

[bot_external]

W kontekście sztucznej inteligencji, agentami mogą być również:

• Model Uczenia Maszynowego, który postrzega dane wejściowe i podejmuje działania, takie jak klasyfikowanie obrazów lub tekstów, aby osiągnąć określony cel.
• Systemy rozpoznawania mowy w środowisku helikoptera, które mogą postrzegać i podejmować działania w celu poprawy efektywności pilota.
• Systemy logistyczne, które mogą postrzegać i podejmować działania w celu zwiększenia efektywności łańcucha dostaw.
• Systemy diagnozy medycznej, które mogą postrzegać i podejmować działania w celu poprawy diagnozy i leczenia chorób.
• Systemy ewakuacji i zarządzania kryzysowego, które mogą postrzegać i podejmować działania w celu poprawy bezpieczeństwa i efektywności ewakuacji.

Wszystkie te systemy mogą być uważane za rodzaje agentów w kontekście sztucznej inteligencji, ponieważ mogą postrzegać swoje otoczenie i podejmować działania w celu osiągnięcia określonych celów.

[student_994_2gp]

A wracając trochę bliżej tematu kursu, z czego składa się UM?

[bot_external]

Celem kursu jest przybliżenie tematyki podstaw Uczenia Maszynowego (UM, ang. Machine Learning - ML) z wykorzystaniem intuicyjnych przykładów.

[student_994_2gp]

A o czym mówi moduł A?

[bot_external]

Moduł A nie jest wskazany w kontekście. Moduł, który jest omawiany w kontekście, to model Uczenia Maszynowego, który postrzega dane wejściowe i podejmuje działania w celu osiągnięcia określonego celu.

[student_994_2gp]

Chodzi mi o wprowadz ie

[bot_external]

Celem kursu jest przybliżenie tematyki podstaw Uczenia Maszynowego (UM, ang. Machine Learning - ML) z wykorzystaniem intuicyjnych przykładów.

[student_994_2gp]

Nie podoba mi się, to co mówisz

[bot_external]

Nie mogę odpowiedzieć na to pytanie, ponieważ nie zawiera ono żadnej informacji związanej z tematyką kursu. Czy mogę pomóc w jakikolwiek inny sposób?

[student_994_2gp]

To nie było pytanie

[bot_external]

Nie mogę odpowiedzieć na to pytanie, ponieważ nie zawiera ono żadnej informacji związanej z tematyką kursu. Czy mogę pomóc w jakikolwiek inny sposób?

[student_994_2gp]

Jakie są główne elementy kursu

[bot_external]

Główne elementy kursu Uczenia Maszynowego (UM) to:

• Celem kursu jest przybliżenie tematyki podstaw UM z wykorzystaniem intuicyjnych przykładów.
• Kurs składa się z czterech modułów tematycznych:

• Moduł A: Wprowadzenie do UM (definicja, podział i zastosowania UM)
• Moduł B: Dane w UM (problemy z danymi i sposoby ich rozwiązywania)
• Moduł C: Podstawowe pojęcia UM (zbiór uczący, zbiór testowy, epoka, wsad, współczynnik uczenia, funkcja straty, przeuczenie, niedouczenie, macierz pomyłek)
• Moduł D: Metryki (dokładność, precyzja, czułość, F-score, porównywanie modeli)

• Kurs zawiera zadania praktyczne wykonywane w zewnętrznym narzędziu - Google Teachable Machine.
• Każdy moduł kursu kończy się krótkim testem podsumowującym.
• Realizacja całego kursu powinna zająć około 2 godzin.