conversation_by_xcl

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Podsumowując Twoje postępy:
Spędziłeś w kursie 2.75 minuty.

Wykonano:

• Odwiedziłeś komponenty: "Start" [eduexe-source]1:1[/eduexe-source], "Spis treści" [eduexe-source]3:1[/eduexe-source] i "Kwestionariusz początkowy" [eduexe-source]4:1[/eduexe-source]. Pobrałeś materiały do kursu [eduexe-source]1:2[/eduexe-source].
• Rozwiązałeś "Test początkowy" [eduexe-source]5:1[/eduexe-source], uzyskując 4 punkty (na 10 możliwych za ten test).

Wymaga pracy:

• Kurs jest nieukończony i niezaliczony. Do zdobycia pozostało do 26 punktów.
• Musisz jeszcze przerobić moduły A ("Wprowadzenie do Uczenia Maszynowego" [eduexe-source]7:1[/eduexe-source]), B ("Dane w procesie UM" [eduexe-source]11:1[/eduexe-source]), C ("Podstawowe pojęcia UM" [eduexe-source]15:1[/eduexe-source]) i D ("Metryki" [eduexe-source]21:1[/eduexe-source]).
• Do zrobienia są także testy cząstkowe z każdego modułu oraz test końcowy.

[student_1136_xcl]

Co skopałem w teście?

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
W "Teście początkowym" (componentId: 5) nie zaznaczyłeś wszystkich poprawnych odpowiedzi w trzech pytaniach:

1. W pytaniu o macierz pomyłek i metryki, oprócz "Dokładność (accuracy) modelu wynosi 0.6", prawidłową odpowiedzią jest również "Precyzja (precision) modelu wynosi 0.5." [eduexe-source]22:1[/eduexe-source][eduexe-source]23:1[/eduexe-source]
2. W pytaniu o algorytmy uczenia przez wzmocnienie, oprócz "Monte Carlo", prawidłową odpowiedzią jest także "Q-learning". [eduexe-source]7:6[/eduexe-source]
3. W pytaniu o powody nieużywania tych samych danych do zbioru uczącego i testowego, oprócz "Prawie na pewno spowoduje to przeuczenie (overfitting) modelu.", prawidłową odpowiedzią jest również "W przypadku występowania wartości odstających w danych, model będzie błędnie przewidywał wartości w przypadku nowych danych, które nie zawierają wartości odstających." [eduexe-source]15:3[/eduexe-source][eduexe-source]17:4[/eduexe-source]

[student_1136_xcl]

Podsumuj aktualną część kursu i wskaż najważniejsze rzeczy, które powinienem/powinnam zapamiętać.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Aktualna część kursu wprowadza do Uczenia Maszynowego (UM) jako obszaru Sztucznej Inteligencji (AI), gdzie algorytmy uczą się na danych, aby podejmować decyzje. Ważne jest rozróżnienie między uczeniem nadzorowanym (z etykietami), nienadzorowanym (szuka wzorców) i przez wzmacnianie (kary/nagrody). Ten kurs skupia się na uczeniu nadzorowanym i zadaniach klasyfikacji. Poznałeś/aś też Google Teachable Machine (GTM), narzędzie do tworzenia modeli UM bez kodowania, poprzez ładowanie danych, trenowanie i testowanie ich działania. [eduexe-source]7:1[/eduexe-source][eduexe-source]7:6[/eduexe-source][eduexe-source]7:8[/eduexe-source][eduexe-source]8:1[/eduexe-source][eduexe-source]8:9[/eduexe-source]

[student_1136_xcl]

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

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe (UM) to obszar Sztucznej Inteligencji (AI), gdzie algorytmy uczą się na danych, aby podejmować decyzje [eduexe-source]7:1[/eduexe-source]. Wyróżniamy: uczenie nadzorowane (z etykietami), nienadzorowane (szuka wzorców) i przez wzmacnianie (kary/nagrody) [eduexe-source]7:6[/eduexe-source]. Kurs skupia się na klasyfikacji (przypisywaniu obiektów do klas) [eduexe-source]7:8[/eduexe-source]. Google Teachable Machine (GTM) to narzędzie do tworzenia modeli UM bez kodowania [eduexe-source]8:1[/eduexe-source].

[student_1136_xcl]

Podaj krótki przykład, który pomoże mi lepiej zrozumieć aktualny temat kursu.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Wyobraź sobie, że chcesz nauczyć komputer odróżniać psy od kotów.

1. Uczenie nadzorowane: Dostarczasz modelowi wiele zdjęć psów oznaczonych jako "pies" i wiele zdjęć kotów oznaczonych jako "kot". Model uczy się na tych danych z etykietami. [eduexe-source]7:6[/eduexe-source]
2. Klasyfikacja: Celem jest, aby model potrafił przypisać nowe, nieznane zdjęcia do jednej z tych dwóch kategorii ("pies" lub "kot"). [eduexe-source]7:8[/eduexe-source]
3. Google Teachable Machine (GTM): Możesz to zrobić w GTM. Ładujesz zdjęcia psów do klasy "Pies" i kotów do klasy "Kot", a następnie trenujesz model. [eduexe-source]8:4[/eduexe-source][eduexe-source]8:5[/eduexe-source] Po treningu, model będzie "decyzjonował", czy na nowym zdjęciu jest pies, czy kot. [eduexe-source]8:6[/eduexe-source]

[student_1136_xcl]

Podsumuj aktualną część kursu i wskaż najważniejsze rzeczy, które powinienem/powinnam zapamiętać.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Aktualna część kursu wprowadziła Cię w podstawy Uczenia Maszynowego (UM) jako obszar AI, który uczy się na danych, by podejmować decyzje [7:1]. Ważne jest rozróżnienie typów uczenia (nadzorowane, nienadzorowane, przez wzmacnianie), z naciskiem na nadzorowane i klasyfikację [7:6][7:8]. Poznałeś/aś też Google Teachable Machine (GTM) jako narzędzie do tworzenia i testowania modeli UM bez kodowania [8:1]. Pamiętaj, że modele nie zawsze są w 100% pewne swoich decyzji [8:8].

[student_1136_xcl]

A w jakim elemencie jestem teraz?

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Aktualnie jesteś w elemencie kursu "B1 - Dane w procesie uczenia".

[student_1136_xcl]

No właśnie B1, to czemu podsumowujesz moduł A?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Masz rację, przepraszam za zamieszanie. Poprzednie podsumowania dotyczyły Modułu A ("Wprowadzenie do Uczenia Maszynowego"), ponieważ były one odpowiedzią na ogólne zapytania o "aktualną część kursu", a Moduł A był ostatnim, który był szczegółowo omawiany w naszej rozmowie.

Aktualnie znajdujesz się w elemencie kursu "B1 - Dane w procesie uczenia" [11:1]. Ten moduł koncentruje się na tym, jak ważny jest odpowiedni dobór i przygotowanie danych w procesie uczenia maszynowego. Czy chcesz, abym podsumował(a) ten moduł?