conversation_by_lp2
-
Podsumuj moje dotychczasowe postępy w kursie. Wskaż, co zostało wykonane, a co jeszcze wymaga pracy.
-
Podsumuj moje dotychczasowe postępy w kursie. Wskaż, co zostało wykonane, a co jeszcze wymaga pracy.
[eduexe-intent]student_progress[/eduexe-intent]
Twoje dotychczasowe postępy w kursie:- Spędziłeś w kursie 33.9 minut.
- Ukończyłeś moduł "A1 - Wprowadzenie do uczenia maszynowego" [eduexe-source]7:1[/eduexe-source] i "A2 - Wprowadzenie do Google Teachable Machine" [eduexe-source]8:1[/eduexe-source].
- Pomyślnie zaliczyłeś test początkowy [eduexe-source]5:1[/eduexe-source] oraz test modułu "Wprowadzenie do UM" [eduexe-source]9:1[/eduexe-source], zdobywając łącznie 15 punktów.
Do ukończenia kursu pozostały Ci moduły:
- Moduł B: Dane w procesie UM.
- Moduł C: Podstawowe pojęcia UM.
- Moduł D: Metryki.
- Test końcowy.
-
Ile klasy powinny mieć przykładów?
-
Ile klasy powinny mieć przykładów?
[eduexe-intent]course_content[/eduexe-intent]
Wszystkie klasy w zbiorze uczącym powinny mieć podobną liczbę reprezentantów, aby model mógł skutecznie się uczyć. Jeśli przykładów jest za mało (np. tylko jeden lub kilka w porównaniu do setek w innych klasach), model może je zignorować lub radzić sobie gorzej z rozpoznawaniem danej klasy. [eduexe-source]11:4[/eduexe-source][eduexe-source]11:9[/eduexe-source][eduexe-source]14:2[/eduexe-source][eduexe-source]14:5[/eduexe-source] -
Czy dane uczące można wykorzystać do testowania modelu?
-
Czy dane uczące można wykorzystać do testowania modelu?
[eduexe-intent]course_content[/eduexe-intent]
Nie, danych uczących nie można wykorzystać do testowania modelu. Zbiór testowy składa się z przykładów, których model nie widział w procesie uczenia się i nie zna dla nich poprawnych odpowiedzi. Dzięki temu można ocenić, jak dobrze model radzi sobie z nowymi danymi i na ile jest skuteczny. Użycie danych uczących do testowania nie byłoby miarodajne, ponieważ model mógłby po prostu zapamiętać odpowiedzi. [eduexe-source]15:3[/eduexe-source][eduexe-source]15:5[/eduexe-source] -
Podsumuj aktualną część kursu i wskaż najważniejsze rzeczy, które powinienem/powinnam zapamiętać.
-
Podsumuj aktualną część kursu i wskaż najważniejsze rzeczy, które powinienem/powinnam zapamiętać.
[eduexe-intent]course_content[/eduexe-intent]
Najważniejsze pojęcia z aktualnej części kursu (Moduł C: Podstawowe pojęcia UM) to:- Zbiór uczący i testowy: Dane dzielimy na uczące (do treningu) i testowe (do oceny nieznanych przykładów). [eduexe-source]20:1[/eduexe-source]
- Funkcja straty: Mierzy błąd modelu, który ma być minimalizowany. [eduexe-source]20:1[/eduexe-source]
- Przeuczenie: Model za dobrze uczy się danych treningowych, źle radzi sobie z nowymi. [eduexe-source]20:1[/eduexe-source]
- Niedouczenie: Model jest zbyt prosty lub za mało wytrenowany. [eduexe-source]20:1[/eduexe-source]
- Macierz pomyłek: Tabela pokazująca poprawne i błędne klasyfikacje modelu. [eduexe-source]20:1[/eduexe-source]
Inne pojęcia to epoka, wsad i współczynnik uczenia się.
-
Wyjaśnij mi do czego służy zbiór testowy?
-
Wyjaśnij mi do czego służy zbiór testowy?
[eduexe-intent]course_content[/eduexe-intent]
Zbiór testowy służy do przetestowania modelu na przykładach, których nie widział w procesie uczenia się. Dzięki temu można ocenić, jak dobrze model radzi sobie z klasyfikacją nowych danych i na ile jest skuteczny, ponieważ nie zna z góry poprawnych odpowiedzi. [eduexe-source]15:3[/eduexe-source] -
czy w google teachable machine moge wybrać zbiór testowy?
-
czy w google teachable machine moge wybrać zbiór testowy?
[eduexe-intent]other[/eduexe-intent]
W Google Teachable Machine nie ma możliwości ręcznego wyboru zbioru testowego. Narzędzie automatycznie dzieli dane na zbiór uczący (85%) i testowy (15%), a proporcji tej nie można zmienić. [eduexe-source]15:7[/eduexe-source] -
ile to 15% z 600
-
ile to 15% z 600
[eduexe-intent]course_content[/eduexe-intent]
15% z 600 to 90. [eduexe-source]15:9[/eduexe-source] -
Jakie są zastosowania uczenia maszynowego w praktyce?
-
Jakie są zastosowania uczenia maszynowego w praktyce?
[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe (UM) jest szeroko stosowane w praktyce, m.in. w:- rozpoznawaniu obrazów i dźwięków
- analizie i klasyfikacji danych (np. rozpoznawanie chorób, przewidywanie trendów finansowych)
- budowaniu złożonych modeli językowych (np. ChatGPT)
- automatycznej nawigacji i sterowaniu (np. kierowanie pojazdami, roboty)
- diagnostyce medycznej [eduexe-source]7:1[/eduexe-source][eduexe-source]7:4[/eduexe-source]
-
dzielenie całkowite 340 przez 16
-
dzielenie całkowite 340 przez 16
[eduexe-intent]course_content[/eduexe-intent]
Dzielenie całkowite 340 przez 16 wynosi 21. -
Od jakiego poziomu wynik funkcji straty jest uznawany za dobry
-
Od jakiego poziomu wynik funkcji straty jest uznawany za dobry
[eduexe-intent]course_content[/eduexe-intent]
Idealny model, który nigdy się nie myli, miałby wartość funkcji straty na poziomie 0. Celem trenowania modelu jest minimalizowanie funkcji straty, więc im niższa jej wartość, tym lepszy model. [eduexe-source]17:2[/eduexe-source]