conversation_by_7uh

[eduexe.admin]

Topic created

[student_1136_7uh]

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, gdzie algorytmy uczą się na podstawie 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 (uczenie z "prawidłowymi odpowiedziami"), nienadzorowane (odkrywanie wzorców) i przez wzmacnianie (kary/nagrody). [eduexe-source]7:6[/eduexe-source]
W UM nadzorowanym wyróżniamy klasyfikację (przypisywanie do kategorii) i predykcję (przewidywanie wartości liczbowej). [eduexe-source]7:8[/eduexe-source]
Google Teachable Machine (GTM) to proste narzędzie online od Google do tworzenia modeli UM bez programowania. [eduexe-source]8:1[/eduexe-source]

[student_1136_7uh]

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

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Krótki przykład z Google Teachable Machine: Aby model UM rozpoznał psy i koty, tworzysz w GTM dwie klasy ("Pies", "Kot"), wgrywasz zdjęcia do każdej z nich, a następnie trenujesz model. Po tym może on klasyfikować nowe, nieznane mu zdjęcia jako psa lub kota. [eduexe-source]8:3[/eduexe-source][eduexe-source]8:4[/eduexe-source][eduexe-source]8:5[/eduexe-source][eduexe-source]8:6[/eduexe-source]

[student_1136_7uh]

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

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Dotychczas spędziłeś w kursie około 110 minut. Obecnie znajdujesz się w części "A2 - Wprowadzenie do Google Teachable Machine". [eduexe-source]8:0[/eduexe-source]

Wykonane:

• Ukończyłeś "Test początkowy" z wynikiem 10 punktów. [eduexe-source]5:0[/eduexe-source]
• Wypełniłeś "Kwestionariusz początkowy". [eduexe-source]4:0[/eduexe-source]
• Przejrzałeś materiały startowe i spis treści. [eduexe-source]1:2[/eduexe-source][eduexe-source]3:1[/eduexe-source]

Wymaga pracy:

• W komponencie "A1 - Wprowadzenie do uczenia maszynowego" jeden quiz został rozwiązany niepoprawnie. [eduexe-source]7:7[/eduexe-source]
• W komponencie "A2 - Wprowadzenie do Google Teachable Machine" czeka na Ciebie jeszcze jedno zadanie. [eduexe-source]8:7[/eduexe-source]
• Pozostało Ci do ukończenia większość kursu, w tym testy cząstkowe i zadanie końcowe.

Twój obecny wynik w kursie to 10 punktów. Status ukończenia kursu to "NIEKOMPLETNY".

[student_1136_7uh]

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

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Aktualna część kursu, "A2 - Wprowadzenie do Google Teachable Machine", skupia się na praktycznym wykorzystaniu narzędzia Google Teachable Machine (GTM).

Najważniejsze pojęcia to:

• Google Teachable Machine (GTM): To proste, przeglądarkowe narzędzie, które pozwala tworzyć modele Uczenia Maszynowego bez pisania kodu czy zaawansowanej wiedzy matematycznej. [eduexe-source]8:1[/eduexe-source]
• Tworzenie modelu: W GTM proces ten obejmuje kilka kroków: zdefiniowanie klas (kategorii, np. "Pies", "Kot"), załadowanie przykładów (danych) do każdej klasy, a następnie "trenowanie" modelu. [eduexe-source]8:3[/eduexe-source][eduexe-source]8:4[/eduexe-source][eduexe-source]8:5[/eduexe-source]
• Klasyfikacja: Po wytrenowaniu model potrafi klasyfikować nowe, nieznane dane, przypisując je do jednej z zdefiniowanych klas. [eduexe-source]8:6[/eduexe-source][eduexe-source]8:9[/eduexe-source]

[student_1136_7uh]

nie zaraz jestem na Istotność danych w UM - naprawa modelu wytlumacz mi to

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Część kursu "Istotność danych w UM - naprawa modelu" (komponent B2) skupia się na tym, jak poprawić działanie modelu Uczenia Maszynowego poprzez korektę i uzupełnienie danych, na których był trenowany.

Kluczowe aspekty to:

• Dane spoza klas: Jeśli model nie potrafi rozpoznać obiektu (np. cyfry), bo nie ma dla niej zdefiniowanej klasy, rozwiązaniem jest dodanie nowej klasy i załadowanie do niej odpowiednich przykładów. [eduexe-source]12:1[/eduexe-source]
• Nierówna liczebność klas: Gdy jedna klasa ma znacznie mniej przykładów niż inne (np. tylko jeden przykład cyfry '3'), model może jej nie nauczyć się poprawnie. Należy wtedy uzupełnić tę klasę o dodatkowe dane. [eduexe-source]12:1[/eduexe-source]
• Przypadki graniczne: Dla trudnych do sklasyfikowania danych (np. nieczytelna cyfra), można dodać więcej podobnych przypadków do istniejących klas lub utworzyć dodatkową klasę pośrednią, np. "Niejednoznaczne", jeśli takich przypadków jest wiele. [eduexe-source]12:3[/eduexe-source]

W ten sposób model lepiej radzi sobie z różnorodnością danych.

[student_1136_7uh]

na ktorym etapie zaraz jestem wedlug twoich danych?

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Obecnie znajdujesz się w komponencie "B2 - Istotność danych w UM - naprawa modelu". [eduexe-source]12:1[/eduexe-source]

[student_1136_7uh]

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

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Aktualna część kursu, "B2 - Istotność danych w UM - naprawa modelu", uczy, jak poprawiać działanie modelu Uczenia Maszynowego poprzez modyfikację danych.

Najważniejsze rzeczy do zapamiętania:

• Jeśli model nie rozpoznaje obiektów, dla których nie ma klasy, należy dodać nową klasę i przykłady. [eduexe-source]12:1[/eduexe-source]
• Gdy klasy mają nierówną liczebność (np. jedna ma za mało przykładów), trzeba uzupełnić tę klasę o dodatkowe dane. [eduexe-source]12:1[/eduexe-source]
• W przypadku trudnych do sklasyfikowania "przypadków granicznych" można dodać więcej podobnych przykładów do istniejących klas lub utworzyć klasę pośrednią. [eduexe-source]12:3[/eduexe-source]

[student_1136_7uh]

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

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Jeśli model rozpoznający cyfry nie radzi sobie z cyfrą "4", bo nie ma dla niej zdefiniowanej klasy, dodaj nową klasę "4" i załaduj do niej odpowiednie przykłady. Jeśli cyfra "3" jest słabo rozpoznawana, ponieważ klasa "3" ma tylko jeden przykład, uzupełnij ją o więcej danych, aby poprawić działanie modelu. [eduexe-source]12:1[/eduexe-source][eduexe-source]14:4[/eduexe-source][eduexe-source]14:5[/eduexe-source]

[student_1136_7uh]

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

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W aktualnej części kursu "B2 - Istotność danych w UM - naprawa modelu" poznajesz sposoby poprawiania działania modelu Uczenia Maszynowego poprzez pracę z danymi. Najważniejsze pojęcia to:

• Dane spoza klas: Jeśli model nie rozpoznaje czegoś, bo nie ma dla tego zdefiniowanej klasy, musisz dodać nową klasę i dostarczyć jej przykłady. [eduexe-source]12:1[/eduexe-source]
• Nierówna liczebność klas: Kiedy jedna klasa ma znacznie mniej przykładów niż inne, model może jej słabo się nauczyć. Trzeba wtedy uzupełnić tę klasę o więcej danych. [eduexe-source]12:1[/eduexe-source]
• Przypadki graniczne: Dla danych trudnych do jednoznacznej klasyfikacji (np. nieczytelna cyfra), można dodać więcej podobnych przykładów do istniejących klas lub stworzyć klasę pośrednią, jeśli jest ich wiele. [eduexe-source]12:3[/eduexe-source]
  Dzięki tym działaniom model lepiej radzi sobie z różnorodnością danych.

[student_1136_7uh]

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