conversation_by_vzp

[bot_external]

Oto odpowiedź na pytanie kursanta:

Na podstawie zgromadzonych danych wytrenowaliśmy model matematyczny, zdolny do oceny (w tym wypadku - decydowania, do której z dwóch kategorii należy obiekt na obrazku) także nowych dla siebie danych, z którymi nie spotkał się w procesie uczenia się.

Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.

[student_994_vzp]

Ok, to jak działa to w Google Teachable Machine?

[bot_external]

Oto odpowiedź na pytanie kursanta:

Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.

Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.

W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.

[student_994_vzp]

opisz krótko w języku ucznia 7/8 szkoły podstawowej różnice między uczeniem nadzorowanym, nienadzorowanym i przez wzmacnianie

[bot_external]

Oto odpowiedź na pytanie kursanta:

Uczenie maszynowe to proces, w którym komputer uczy się na podstawie danych. Istnieją trzy rodzaje uczenia maszynowego:

1. Uczenie nadzorowane: Model uczy się na podstawie danych z etykietami (prawidłowymi odpowiedziami). Przykładem jest rozróżnianie zdjęć psów i kotów.
2. Uczenie nienadzorowane: Model nie ma dostępu do etykiet i musi samodzielnie odkryć wzorce i zależności w danych. Przykładem jest podział zdjęć zwierząt na gatunki.
3. Uczenie przez wzmacnianie: Model uczy się poprzez interakcje ze środowiskiem, poprzez system kar i nagród. Przykładem jest uczenie się gry w szachy.

Wszystkie te rodzaje uczenia maszynowego mają na celu ulepszenie modelu, aby mógł dokładniej przewidywać lub klasyfikować dane.

[student_994_vzp]

czy jeśli w jednej klasie mam 199 przykladow a w drugiej 201 to model odczyta potem poprawne dane

[bot_external]

Oto odpowiedź na pytanie kursanta:

Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.

Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.

W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.

Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.

Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.

W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.

Oto odpowiedź na pytanie kursanta:

Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.

Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.

W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.

Oto odpowiedź na pytanie kursanta:

Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.

Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.

W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.

Oto odpowiedź na pytanie kursanta:

Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.

Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.

W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.

Oto odpowiedź na pytanie kursanta:

Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.

Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.

W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.

Oto odpowiedź na pytanie kursanta:

Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.

Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.

W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.

Oto odpowiedź na pytanie kursanta:

Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.

Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.

W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.

Oto odpowiedź na pytanie kursanta:

Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.

Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.

W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.

Oto odpowiedź na pytanie kursanta:

Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.

Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.

W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.

Oto odpowiedź na pytanie kursanta:

Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.

Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.

W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.

Oto odpowiedź na pytanie kursanta:

Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.

Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.

W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.

Oto odpowiedź na pytanie kursanta:

Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.

Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.

W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.

Oto odpowiedź na pytanie kursanta:

Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.

Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.

W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.

Oto odpowiedź na pytanie kursanta:

Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.

Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.

W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.

Oto odpowiedź na pytanie kursanta:

Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.

Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.

W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.

Oto odpowiedź na pytanie kursanta:

Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.

Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.

W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbi

[student_994_vzp]

opisz krótko - w 2 zdaniach, co to zbiór uczący

[student_994_vzp]

opisz krótko - w 2 zdaniach, co to zbiór uczący

[student_994_vzp]

Załóżmy, że korzystając z Google Teachable Machine, trenujemy model dla trzech klas. Dla każdej z klas dostarczyliśmy po 200 przykładów. Z ilu łącznie przykładów będzie składał się cały zbiór testowy dla tego modelu?

[student_994_vzp]

Załóżmy, że korzystając z Google Teachable Machine, trenujemy model dla trzech klas. Dla każdej z klas dostarczyliśmy po 200 przykładów. Z ilu łącznie przykładów będzie składał się cały zbiór testowy dla tego modelu?

[student_994_vzp]

Załóżmy, że korzystając z Google Teachable Machine, trenujemy model dla trzech klas. Dla każdej z klas dostarczyliśmy po 200 przykładów. Z ilu łącznie przykładów będzie składał się cały zbiór testowy dla tego modelu?

[student_994_vzp]

co to epoka?

[student_994_vzp]

Załóżmy, że trenujemy model, którego zbiór uczący składa się z 340 przykładów. Parametr wielkość wsadu ustalony jest na 16. Ile wsadów będzie potrzebne do ukończenia jednej epoki?

[student_994_vzp]

opowiedz o tym kursie

[student_994_vzp]

zależność między f-score, a czułością

[student_994_vzp]

zależność między f-score, a czułością

[student_994_vzp]

obraziłeś się?

[bot_external]

Nie, nie obraziłem się. Oto odpowiedź na pytanie kursanta:

Jasne, nie obraziłem się. Czy mogę pomóc w jakiejś innej sprawie?

[student_994_vzp]

nie ładowałeś mi wiadomości...