conversation_by_4kn

[eduexe.admin]

Topic created

[student_1136_4kn]

rozwin bardziej uczenie przez wzmacnianie

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie przez wzmacnianie (ang. reinforcement learning) to rodzaj uczenia maszynowego, w którym model uczy się poprzez interakcje ze środowiskiem, wykorzystując system kar i nagród. W ramach tego kursu skupiamy się jednak wyłącznie na uczeniu nadzorowanym. [eduexe-source]7:6[/eduexe-source]

[student_1136_4kn]

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. Zapamiętaj, że UM to algorytmy uczące się z danych, by podejmować decyzje bez programowania. Główne elementy to dane, model, algorytm, funkcja straty i optymalizacja [eduexe-source]7:1[/eduexe-source]. UM dzieli się na nadzorowane (kurs się na nim skupia), nienadzorowane i przez wzmacnianie [eduexe-source]7:6[/eduexe-source]. W UM nadzorowanym wyróżniamy predykcję (przewidywanie wartości) i klasyfikację (przypisywanie do kategorii), na której skupia się ten kurs [eduexe-source]7:8[/eduexe-source].

[student_1136_4kn]

moge uzyc angielskich nazw zamiast polskich w nazwach klasy?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W kursie, we wszystkich przedstawionych przykładach użycia Google Teachable Machine, nazwy klas są podawane w języku polskim, np. "Pies", "Kot", "Orzeł" czy "Kaczka" [eduexe-source]8:4[/eduexe-source][eduexe-source]10:4[/eduexe-source]. Treść kursu nie zawiera jednak informacji na temat możliwości użycia angielskich nazw w nazwach klas.

[student_1136_4kn]

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

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Spędziłeś w kursie około 64 minuty, wykonując 44 z 154 dostępnych interakcji. Zdobyłeś 12 punktów.

Wykonane:

• Sekcje wprowadzające i Test początkowy.
• Cały Moduł A: "Wprowadzenie do uczenia maszynowego" (A1, A2, A3 oraz test AT).
• Rozpocząłeś Moduł B: "Dane w procesie uczenia". Odwiedziłeś komponenty B1, B2, B3 oraz test BT.

Do wykonania:

• Jesteś obecnie w komponencie B2 - "Istotność danych w UM - naprawa modelu" [eduexe-source]12:1[/eduexe-source]. W teście BT (Moduł B) miałeś niepoprawne odpowiedzi, więc możesz chcieć powtórzyć materiał z tego modułu.
• Cały Moduł C: "Podstawowe pojęcia UM".
• Cały Moduł D: "Metryki".
• Kwestionariusz końcowy oraz Zadanie końcowe.

Masz już status "PASSED", ale możesz kontynuować naukę, aby ukończyć kurs i poprawić swój wynik.

[student_1136_4kn]

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

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Aby naprawić model, który nie radzi sobie z pewnymi danymi, np. nie rozpoznaje cyfry "4" (bo nie ma dla niej klasy) lub cyfry "3" (bo ma za mało przykładów), możesz dodać brakującą klasę "4" z odpowiednimi przykładami lub uzupełnić klasę "3" o więcej danych. Po ponownym wytrenowaniu, model powinien lepiej radzić sobie z takimi przypadkami.
[eduexe-source]12:1[/eduexe-source]

[student_1136_4kn]

rozpisz mi krocej przeuczenie

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Przeuczenie (overfitting) to zjawisko, w którym model za bardzo dopasowuje się do danych treningowych. W efekcie, choć dobrze radzi sobie z danymi, na których się uczył, nie jest w stanie poprawnie klasyfikować nowych, niewidzianych danych testowych. [eduexe-source]17:4[/eduexe-source]

[student_1136_4kn]

daj jakis przyklad z tego

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Wyobraź sobie, że uczysz się do egzaminu z matematyki, rozwiązując repetytorium. Jeśli nauczysz się wszystkich zadań i odpowiedzi na pamięć, to świetnie poradzisz sobie z zadaniami z repetytorium. Jednak na egzaminie, gdzie pojawią się nowe zadania, nie będziesz w stanie ich rozwiązać, bo nie zapamiętałeś reguł, tylko konkretne rozwiązania. To jest właśnie przeuczenie. [eduexe-source]17:4[/eduexe-source]

[student_1136_4kn]

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

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Aktualna część kursu (Moduł B) skupia się na roli danych w uczeniu maszynowym. Najważniejsze jest, by pamiętać, że jakość i dobór danych są kluczowe dla działania modelu [eduexe-source]11:1[/eduexe-source]. Typowe problemy to nietypowe przypadki testowe [eduexe-source]11:2[/eduexe-source], nierówna liczebność klas [eduexe-source]11:4[/eduexe-source] oraz dane spoza zdefiniowanych klas [eduexe-source]11:5[/eduexe-source]. Aby naprawić model, należy dodać brakujące klasy z przykładami, uzupełnić klasy o małej liczebności lub stworzyć klasy pośrednie dla przypadków granicznych [eduexe-source]12:1[/eduexe-source][eduexe-source]12:3[/eduexe-source].

[student_1136_4kn]

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

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Spędziłeś w kursie około 134 minuty, wykonując 105 z 154 dostępnych interakcji. Zdobyłeś 21 punktów. Kurs jest zaliczony (PASSED), ale nieukończony w całości.

Wykonane: Sekcje wprowadzające i Test początkowy, całe Moduły A, B i C, Moduły D1-D5 i test DT. Ukończyłeś też Kwestionariusz końcowy.

Do wykonania: Jesteś w komponencie D8: "Omówienie ćwiczenia z porównywania modeli" [eduexe-source]30:1[/eduexe-source]. Komponent D6: "Porównywanie modeli" [eduexe-source]26:1[/eduexe-source] ma nierozwiązaną interakcję. Pozostało Zadanie końcowe [eduexe-source]35:3[/eduexe-source]. Ponadto, w teście BT (Moduł B) [eduexe-source]13:1[/eduexe-source] miałeś niepoprawne odpowiedzi, warto powtórzyć materiał z tego modułu.