conversation_by_hrh

[bot_external]

[eduexe-intent]student_progress[/eduexe-intent]
Na podstawie Twoich postępów w kursie, najważniejszą rzeczą, którą powinieneś/powinnaś teraz zrobić, jest rozwiązanie testu początkowego.

Uzasadnienie: Test początkowy pozwoli Ci ocenić swoją aktualną wiedzę z zakresu Uczenia Maszynowego i zdobyć pierwsze punkty w kursie. [eduexe-source]1:1[/eduexe-source]
Pierwszy konkretny krok: Przejdź do komponentu "Test początkowy". [eduexe-source]5:1[/eduexe-source]

[student_1130_hrh]

Dlaczego zdobyłem w teście początkowym tylko 8 punktów? Co zrobiłem źle?

[bot_external]

[eduexe-intent]student_progress[/eduexe-intent]
Zdobyłeś 8 punktów, ponieważ w teście początkowym, który liczy maksymalnie 10 punktów, prawidłowo odpowiedziałeś na 4 z 5 pytań. Każde pytanie warte było 2 punkty. [eduexe-source]1:1[/eduexe-source]

Błędna odpowiedź dotyczyła pytania "Zaznacz zdania fałszywe odnoszące się do zbioru danych w procesie uczenia:". Wybrałeś opcję "Model wyuczony na niedokładnych danych będzie zwracał niedokładne predykcje", która jest zdaniem prawdziwym. Nie zaznaczyłeś natomiast opcji "Dane w dobrym zbiorze danych mogą być niepewne", która była zdaniem fałszywym (zgodnie z kluczem odpowiedzi).

[student_1130_hrh]

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]
Na podstawie Twoich odpowiedzi, sugeruję powtórzyć następujące zagadnienia:

1. Zastosowania Uczenia Maszynowego: Niepoprawnie dopasowałeś przykłady zastosowań w ćwiczeniu. Zapoznaj się ze slajdem "Zastosowania Uczenia Maszynowego". [eduexe-source]7:4[/eduexe-source]
2. Problemy Uczenia Maszynowego nadzorowanego: Pomyliłeś zadanie klasyfikacji z predykcją. Wróć do slajdu "Problemy Uczenia Maszynowego nadzorowanego". [eduexe-source]7:8[/eduexe-source]
3. Dane w procesie uczenia: Twój błąd w teście początkowym dotyczył fałszywych zdań o zbiorze danych. Powtórz materiał z komponentu "B1 - Dane w procesie uczenia", szczególnie slajdy o nietypowych przypadkach, nierównej liczebności klas i danych spoza klas. [eduexe-source]11:2[/eduexe-source][eduexe-source]11:4[/eduexe-source][eduexe-source]11:5[/eduexe-source] Możesz też przejrzeć "B3 - Dane w UM - dodatkowe przykłady". [eduexe-source]14:1[/eduexe-source]

[student_1130_hrh]

Wyjaśnij aktualny temat kursu inaczej niż w materiale: prostszym językiem, z krótkim przykładem i jednym pytaniem sprawdzającym na końcu.

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Aktualny temat, który warto powtórzyć, to Dane w procesie uczenia.

Prostszym językiem:
Wyobraź sobie, że uczysz dziecko rozpoznawać zwierzęta na obrazkach. Jeśli pokażesz mu tylko psy i koty, a potem poprosisz, żeby rozpoznało samochód, to powie, że to pies, bo nie wie, czym jest samochód i próbuje dopasować go do tego, co zna. Podobnie jest z modelem uczenia maszynowego. Musi być dobrze "nakarmiony" różnorodnymi i odpowiednimi danymi, żeby poprawnie działał. Jeśli dane są słabe, model też będzie słaby.
[eduexe-source]11:1[/eduexe-source][eduexe-source]11:5[/eduexe-source]

Krótki przykład:
Masz model, który uczy się rozpoznawać jabłka i pomarańcze. Jeśli pokażesz mu 100 zdjęć jabłek i tylko 5 pomarańczy, to może mieć problem z poprawnym rozpoznawaniem pomarańczy, bo miał ich za mało do nauki. Jeśli dodatkowo pokażesz mu zdjęcie banana, którego nigdy nie widział, to może go błędnie zaklasyfikować jako jabłko lub pomarańczę. [eduexe-source]11:4[/eduexe-source][eduexe-source]11:5[/eduexe-source]

Pytanie sprawdzające:
Jeśli model został wytrenowany na bardzo małej liczbie przykładów dla jednej z kategorii (np. tylko 5 zdjęć kotów na 100 zdjęć psów), z jakim problemem danych najprawdopodobniej się spotkamy?
A) Dane spoza klas.
B) Nierówna liczebność klas.
C) Przypadek graniczny.

Odpowiedź: B) Nierówna liczebność klas. [eduexe-source]11:4[/eduexe-source]

[student_1130_hrh]

Wyjaśnij aktualny temat kursu inaczej niż w materiale: prostszym językiem, z krótkim przykładem i jednym pytaniem sprawdzającym na końcu.

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Aktualny temat to "Dane w procesie uczenia".
Prostszym językiem: Wyobraź sobie, że uczysz maszynę rozpoznawać psy i koty. Jeśli pokazujesz jej tylko typowe zwierzęta, a potem napotka ona rzadką rasę kota wyglądającą jak pies, model może się pomylić. Nie widział takich "granicznych" przypadków podczas nauki i próbuje dopasować go do tego, co zna, nawet jeśli to słabe dopasowanie. To właśnie jest przypadek graniczny – obiekt, który leży na granicy między dwiema klasami.

Pytanie sprawdzające: Model, który świetnie odróżnia typowe psy od typowych kotów, błędnie klasyfikuje rasę kota o psim wyglądzie. Z jakim problemem danych się spotkał?
A) Dane spoza klas.
B) Nierówna liczebność klas.
C) Przypadek graniczny.
Odpowiedź: C) Przypadek graniczny. [eduexe-source]11:2[/eduexe-source]

[student_1130_hrh]

Czym jest uczenie maszynowe?

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe (UM, ang. Machine Learning - ML) to obszar Sztucznej Inteligencji (AI) skupiający się na rozwijaniu algorytmów, które automatycznie poprawiają się poprzez doświadczenie, czyli ekspozycję na dane. Algorytmy te, na podstawie dostarczonych danych, budują model matematyczny zdolny do podejmowania decyzji lub prognozowania rezultatów bez konieczności bycia wprost zaprogramowanym do danego celu. [eduexe-source]7:1[/eduexe-source]