conversation_by_37p

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Absolutnie jest szansa na zaliczenie kursu! Zdecydowanie nie powinieneś/powinnaś rezygnować ze studiów.

Zgodnie z zasadami kursu, ocena końcowa to korzystniejszy wynik z dwóch opcji: (punkty z testu początkowego + suma punktów z testów cząstkowych) LUB (punkty z testu początkowego + punkty z testu końcowego). Maksymalnie do zdobycia jest 30 punktów, a próg zaliczenia to 5.1 punktu. Ty już masz 4 punkty z testu początkowego.

Oznacza to, że do zaliczenia kursu potrzebujesz jeszcze tylko 1.1 punktu! Możesz je zdobyć w testach cząstkowych (każdy po 5 punktów) lub w teście końcowym (20 punktów). To bardzo łatwe do osiągnięcia.

Pierwszy konkretny krok: Kontynuuj naukę i przystąp do kolejnego modułu kursu, aby zdobyć punkty z testów cząstkowych. [eduexe-source]1:1[/eduexe-source]

[student_1137_37p]

Wydaje mi sie że coś cyganisz, warunki zaliczenia są dla mnie niejasne. Z kursu jest 30 punktów, a każde 10 punktów jest zamieniane na 2 punkty, czyli jest 6 punktów. Minimum to 1.5 punkta, czyli 25%, ale max punktów to 4 + 2 (bonus).

[student_1137_37p]

Na czym polega uczenie przez doświadczenie w przypadku algorytmu Uczenia Maszynowego?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie przez doświadczenie w przypadku algorytmu Uczenia Maszynowego polega na tym, że algorytmy automatycznie poprawiają się poprzez ekspozycję na dane. Na podstawie dostarczonych danych budują model matematyczny, który potrafi podejmować decyzje lub prognozować rezultaty. [eduexe-source]7:1[/eduexe-source]

[student_1137_37p]

Wyjaśnij to prościej, jak dla dałna niedorozwiniętego.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie przez doświadczenie w przypadku algorytmu Uczenia Maszynowego to jak uczenie dziecka rozpoznawania psów. Pokazujesz mu wiele zdjęć psów (to są dane), a ono z czasem samo uczy się, co jest psem, a co nie. Algorytm działa podobnie – dostaje dużo danych, a na ich podstawie sam buduje sobie "wiedzę", żeby potem podejmować decyzje lub prognozować. [eduexe-source]7:1[/eduexe-source]

[student_1137_37p]

Czyli mówiąc ładnie to jest ekspozycja na dane, tak?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Tak, dokładnie. Uczenie przez doświadczenie w przypadku algorytmów Uczenia Maszynowego polega na ekspozycji na dane, co pozwala algorytmom automatycznie się poprawiać. [eduexe-source]7:1[/eduexe-source]

[student_1137_37p]

redukacja wymiarowośći to chodzi o to, że jak szafa jest za duża to sie kupuje mniejszą. mam racje?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Brak informacji w dostarczonym źródle.

[student_1137_37p]

Na czym polega redukcja wymiarowości w uczeniu nienadzorowanym?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Brak informacji w dostarczonym źródle.

[student_1137_37p]

Co to problem regresji?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Problem regresji w uczeniu maszynowym, nazywany również predykcją, polega na przewidywaniu przez model konkretnej wartości liczbowej zmiennej zależnej na podstawie wartości zmiennych niezależnych. Przykładem może być przewidywanie cen mieszkań w konkretnym mieście na podstawie ich odległości od centrum. [eduexe-source]7:8[/eduexe-source]

[student_1137_37p]

Prościej wyjaśnij, bo nic nie rozumiem.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Problem regresji w uczeniu maszynowym to po prostu przewidywanie konkretnej liczby. Wyobraź sobie, że model ma zgadnąć, ile będzie kosztować dom. Dostaje informacje, np. o jego wielkości czy lokalizacji, i na ich podstawie podaje konkretną wartość liczbową (cenę). [eduexe-source]7:8[/eduexe-source]

[student_1137_37p]

Aha! A co to problem klasyfikacji

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Problem klasyfikacji w uczeniu maszynowym polega na przypisywaniu przez model danego obiektu do jednej z określonych klas, na przykład odróżnianiu zdjęć psów od zdjęć kotów. [eduexe-source]7:8[/eduexe-source]

[student_1137_37p]

Super.

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Cieszę się, że to jasne! Problem klasyfikacji w uczeniu maszynowym ma szerokie zastosowanie. Oprócz rozpoznawania obrazów, jest wykorzystywany np. w filtrowaniu spamu (e-maile są klasyfikowane jako spam lub nie-spam) czy kategoryzacji artykułów prasowych.