conversation_by_4bw

[eduexe.admin]

Topic created

[student_1098_4bw]

Wyjaśnij mi najważniejsze pojęcia z aktualnej części kursu prostym językiem. Odwołuj się do materiałów kursu.

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Oto wyjaśnienie najważniejszych pojęć z wprowadzenia do kursu:

• Uczenie Maszynowe (UM): To obszar Sztucznej Inteligencji, w którym algorytmy uczą się na podstawie danych (doświadczenia), a nie przez zaprogramowane na sztywno instrukcje. Budują model matematyczny, który potrafi podejmować decyzje.
• Uczenie nadzorowane: Model otrzymuje dane wraz z poprawnymi odpowiedziami (etykietami), np. zdjęcia kotów z podpisem "kot", i na tej podstawie uczy się rozpoznawać nowe przykłady.
• Klasyfikacja: To zadanie, w którym model przypisuje obiekt do jednej z określonych klas, np. decyduje, czy na zdjęciu jest pies, czy kot.

[eduexe-source]componentId:7,slideId:1[/eduexe-source]
[eduexe-source]componentId:7,slideId:6[/eduexe-source]
[eduexe-source]componentId:7,slideId:8[/eduexe-source]

[student_1098_4bw]

Podsumuj moje dotychczasowe postępy w kursie. Wskaż, co zostało wykonane, a co jeszcze wymaga pracy.

[bot_external]

[eduexe-intent]student_progress[/eduexe-intent]
Ukończyłeś moduł „Wprowadzenie do Uczenia Maszynowego” oraz rozwiązałeś test początkowy, zdobywając 6 z 10 punktów. W zadaniach sprawdzających w ukończonym module odpowiedziałeś poprawnie na 3 z 5 pytań.

Do zrealizowania pozostały Ci jeszcze trzy moduły merytoryczne:

• Dane w Uczeniu Maszynowym
• Podstawowe pojęcia UM
• Metryki

[student_1098_4bw]

Na podstawie moich błędnych, częściowo poprawnych lub pominiętych odpowiedzi wskaż, co powinienem/powinnam powtórzyć. Wyjaśnij to krok po kroku, ale nie podawaj gotowych odpowiedzi do zadań.

[bot_external]

[eduexe-intent]student_progress[/eduexe-intent]
Analizując Twoje odpowiedzi, sugeruję powtórzyć kilka zagadnień:

1. Relacja między AI a UM: W jednym z zadań miałeś/aś problem z określeniem, czy Uczenie Maszynowe jest częścią Sztucznej Inteligencji, czy odwrotnie. Wróć do definicji na początku modułu „Wprowadzenie do Uczenia Maszynowego”.

2. Zastosowania UM: Warto ponownie przejrzeć przykłady zastosowań, aby lepiej zrozumieć, jak konkretne rozwiązania (np. interfejsy głosowe) pasują do ogólnych kategorii (np. rozpoznawanie mowy).

3. Przeuczenie (overfitting): W pytaniu o przeuczenie wskazałeś/aś jedną poprawną odpowiedź, ale pominąłeś/aś drugą. Skup się na tym, jak to zjawisko wpływa na działanie modelu na danych treningowych i testowych.

4. Ocena jakości modelu: Podobnie w pytaniu o techniki oceny modelu – wybrałeś/aś jedną poprawną metodę, ale jest ich więcej. Zapoznaj się z modułem „Metryki”, aby lepiej zrozumieć, jak mierzy się skuteczność modeli.

[student_1098_4bw]

Na podstawie aktualnej części kursu i moich postępów zadaj mi 2–3 krótkie pytania kontrolne. Nie podawaj od razu odpowiedzi; najpierw sprawdź moje rozumienie

[bot_external]

[eduexe-intent]student_progress[/eduexe-intent]
Oczywiście, oto kilka pytań kontrolnych opartych na materiale, z którym miałeś/aś trudności:

1. Jak w prosty sposób opisał(a)byś relację między Sztuczną Inteligencją a Uczenie Maszynowym? Które pojęcie jest szersze?
2. Wyjaśnij swoimi słowami, na czym polega problem przeuczenia (overfitting) modelu.
3. Podaj jeden przykład zastosowania Uczenia Maszynowego z obszaru analizy i klasyfikacji danych.

Czekam na Twoje odpowiedzi, aby sprawdzić Twoje zrozumienie.

[student_1098_4bw]

Szersze jest SI.

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Zgadza się, to poprawna odpowiedź. Sztuczna Inteligencja to szersze pojęcie, a Uczenie Maszynowe jest jednym z jej obszarów, co jest wyjaśnione we wprowadzeniu do kursu.

A jak odpowiedział(a)byś na pozostałe dwa pytania dotyczące przeuczenia (overfitting) i zastosowań UM?

[eduexe-source]componentId:7,slideId:1[/eduexe-source]

[student_1098_4bw]

Overfitting jest wtedy, gdy model zbyt dokładnie nauczył się z danych uczących

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Dokładnie tak, to sedno problemu. Model tak bardzo dopasowuje się do danych treningowych, że traci zdolność do poprawnego działania na nowych, nieznanych mu danych testowych. Można powiedzieć, że uczy się ich „na pamięć”. Świetna odpowiedź!

A jak poradzisz sobie z ostatnim pytaniem o przykład zastosowania UM z obszaru analizy i klasyfikacji danych?
[eduexe-source]componentId:17,slideId:4[/eduexe-source][eduexe-source]componentId:20,slideId:1[/eduexe-source]

[student_1098_4bw]

Detekcja spamu?

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Tak, to doskonały przykład! Wykrywanie spamu to klasyczne zadanie klasyfikacji, gdzie model uczy się odróżniać wiadomości pożądane od niechcianych. Mieści się to w ogólnej kategorii zastosowań UM, jaką jest „analiza i klasyfikacja danych”, wspomnianej w kursie. Świetnie sobie radzisz!

[eduexe-source]componentId:7,slideId:4[/eduexe-source]

[student_1098_4bw]

Wyjaśnij mi w bieżącym module, dlaczego w ćwiczeniu Sprawdź się mam zaliczoną odpowiedź "90" skoro poprawna jak się kliknie na "i" to "99"?

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
W ćwiczeniu, o którym mówisz, odpowiedź "90" jest poprawna. Kurs wyjaśnia, że Google Teachable Machine automatycznie przeznacza 15% danych na zbiór testowy. Przy 3 klasach po 200 przykładów, łącznie mamy 600 przykładów. 15% z 600 to dokładnie 90. W dostarczonych materiałach kursu nie ma informacji, by poprawną odpowiedzią było "99".

[eduexe-source]componentId:15,slideId:9[/eduexe-source]
[eduexe-source]componentId:15,slideId:4[/eduexe-source]

[student_1098_4bw]

No nie, najeżdżam na przycisk "i" i pojawia się "99", jakby może jakiś zakres odpowiedzi był prawidłowy? Nie rozumiem

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Rozumiem Twoje zdziwienie. Informacja o wartości "99", którą widzisz po najechaniu na przycisk "i", nie pochodzi z treści kursu i może być błędem technicznym platformy e-learningowej.

Zgodnie z materiałami, GTM rezerwuje 15% danych na zbiór testowy. Dla 3 klas po 200 przykładów (łącznie 600), daje to dokładnie 90 przykładów (15% z 600). Wartość "99" pojawia się w innym ćwiczeniu, jako procent pewności modelu, co mogło być źródłem nieporozumienia.

[eduexe-source]componentId:15,slideId:9[/eduexe-source]
[eduexe-source]componentId:15,slideId:4[/eduexe-source]
[eduexe-source]componentId:8,slideId:7[/eduexe-source]

[student_1098_4bw]

Bredzisz, przecież widzę - zaliczone 90 a poprawne 99