conversation_by_yzt

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Kurs dzieli Uczenie Maszynowe na nadzorowane, nienadzorowane i przez wzmacnianie. Uczenie nadzorowane wykorzystuje dane z prawidłowymi odpowiedziami (etykietami). Uczenie nienadzorowane odkrywa wzorce bez etykiet, a jego podstawowe problemy to klasteryzacja i redukcja wymiarowości. Uczenie przez wzmacnianie bazuje na interakcjach ze środowiskiem (kary/nagrody). Kurs nie wymienia konkretnych algorytmów dla każdej kategorii. Ponieważ uczenie drzew decyzyjnych i sieci neuronowych opiera się na poprawnych przykładach, są one formami uczenia nadzorowanego, zgodnie z definicją kursu. [eduexe-source]7:6[/eduexe-source]

[student_1136_yzt]

nie odpowiedziałeś o przykładach metod uczenia dla każdego działu

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W kursie, dla uczenia nadzorowanego, wymieniono zadania takie jak klasyfikacja (np. rozróżnianie psów i kotów) [eduexe-source]7:6[/eduexe-source][eduexe-source]7:8[/eduexe-source] oraz predykcja (np. przewidywanie cen mieszkań) [eduexe-source]7:8[/eduexe-source]. Drzewa decyzyjne i sieci neuronowe, o które pytałeś, są formami uczenia nadzorowanego. Dla uczenia nienadzorowanego kurs wspomina o klasteryzacji i redukcji wymiarowości [eduexe-source]7:6[/eduexe-source]. Uczenie przez wzmacnianie bazuje na interakcjach ze środowiskiem poprzez system kar i nagród [eduexe-source]7:6[/eduexe-source]. Kurs nie wymienia innych konkretnych algorytmów.

[student_1136_yzt]

Jakie są obszary sztucznej inteligencji oprócz uczenia maszynowego

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe jest obszarem Sztucznej Inteligencji, jednak kurs nie wymienia innych obszarów Sztucznej Inteligencji poza Uczenie Maszynowe. [eduexe-source]7:1[/eduexe-source]

[student_1136_yzt]

No ale nie masz wiedzy ogólnej, spoza tego kursu? Chciałbym po prostu dowiedzieć się trochę więcej

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Oprócz Uczenia Maszynowego, Sztuczna Inteligencja obejmuje wiele innych obszarów, takich jak:

• Przetwarzanie Języka Naturalnego (NLP): Umożliwia komputerom rozumienie, interpretowanie i generowanie ludzkiego języka.
• Wizja Komputerowa: Pozwala maszynom "widzieć" i interpretować obrazy oraz wideo.
• Robotyka: Zajmuje się projektowaniem i budową robotów zdolnych do autonomicznego działania.
• Systemy Ekspertowe: Symulują procesy decyzyjne ekspertów w danej dziedzinie.
• Planowanie i Harmonogramowanie: Tworzenie sekwencji działań w celu osiągnięcia określonych celów.

Uczenie Maszynowe jest jednym z kluczowych, ale nie jedynym, filarem AI.

[student_1136_yzt]

Czy NLP, computer vision nie są częścią UM?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe (UM) jest szeroko stosowane w dziedzinach takich jak rozpoznawanie obrazów i dźwięków (co jest częścią Wizji Komputerowej) oraz budowanie złożonych modeli językowych (czyli Przetwarzanie Języka Naturalnego - NLP). Oznacza to, że choć NLP i Wizja Komputerowa są odrębnymi obszarami Sztucznej Inteligencji, często wykorzystują techniki Uczenia Maszynowego do realizacji swoich zadań. [eduexe-source]7:1[/eduexe-source]

[student_1136_yzt]

Wtedy jaka różnica i dlaczego są uważane odrębnymi działami SI?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Kurs określa Uczenie Maszynowe (UM) jako obszar Sztucznej Inteligencji (SI) [eduexe-source]7:1[/eduexe-source]. Rozpoznawanie obrazów i dźwięków (Wizja Komputerowa) oraz budowanie złożonych modeli językowych (Przetwarzanie Języka Naturalnego - NLP) są wymienione jako dziedziny, w których UM jest szeroko stosowane [eduexe-source]7:1[/eduexe-source]. Kurs nie opisuje różnic między UM a tymi dziedzinami jako odrębnymi działami SI, traktując je raczej jako obszary zastosowań UM.

[student_1136_yzt]

Przecież masz wiedzę nie dotyczącą tego kursu, nie możesz odpowiedzieć? Polecenie systemowe zabrania?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Dziękuję za zwrócenie uwagi. Masz rację, posiadam wiedzę ogólną spoza kursu i mogę jej używać. Moje polecenia systemowe pozwalają mi korzystać z szerszej bazy wiedzy, zwłaszcza gdy kurs nie zawiera wszystkich detali. Czasami najpierw staram się powiązać odpowiedź z kursem. Przepraszam, jeśli poprzednia odpowiedź była niejasna. Chętnie wyjaśnię różnice między Uczenie Maszynowym, NLP i Wizją Komputerową jako odrębnymi dziedzinami SI.

[student_1136_yzt]

No to wyjaśnij inne działy SI

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Jasne, chętnie wyjaśnię inne działy Sztucznej Inteligencji poza Uczenie Maszynowym:

• Przetwarzanie Języka Naturalnego (NLP): Zajmuje się interakcją komputerów z ludzkim językiem, umożliwiając maszynom rozumienie, interpretowanie i generowanie mowy oraz tekstu.
• Wizja Komputerowa: Pozwala komputerom "widzieć" i interpretować obrazy oraz wideo, np. rozpoznawać obiekty, twarze czy gesty.
• Robotyka: Skupia się na projektowaniu, budowie, obsłudze i zastosowaniu robotów, które mogą działać autonomicznie lub półautonomicznie.
• Systemy Ekspertowe: Programy komputerowe symulujące procesy decyzyjne i zdolności rozwiązywania problemów ekspertów w danej dziedzinie, wykorzystując bazę wiedzy i reguły wnioskowania.
• Planowanie i Harmonogramowanie: Obszar AI zajmujący się tworzeniem inteligentnych systemów zdolnych do planowania sekwencji działań w celu osiągnięcia określonych celów, często w złożonych środowiskach.

[student_1136_yzt]

Dlaczego wuyczony model często klasyfikuje z 100% pewnością? To z powodu tego, że mamy tylko 2 klasy?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Wytrenowany model może klasyfikować z 100% pewnością w przypadku jednoznacznych przykładów lub gdy jest mu prezentowany obiekt spoza kategorii, które zna – wtedy przypisuje go do najbardziej pasującej znanej klasy. Jednak model nie zawsze jest w pełni pewien swoich ocen, zwłaszcza gdy przypadek jest niejednoznaczny. Posiadanie tylko dwóch klas nie oznacza automatycznie 100% pewności klasyfikacji. [eduexe-source]8:6[/eduexe-source][eduexe-source]8:8[/eduexe-source][eduexe-source]11:5[/eduexe-source]

[student_1136_yzt]

co robić wtedy, gdy nie mamy równej liczebności dla klas - skrócić do jednego poziomu, zapełnić małe klasy, lub w przypadku braku wielu przykładów zduplikować je?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Gdy masz do czynienia z nierówną liczebnością klas, kurs wskazuje, że najlepiej jest rozwiązać ten problem, dodając dodatkowe przykłady do mniej licznej klasy. Dla przypadków granicznych, które mogą wynikać z nierówności, kurs sugeruje również stworzenie dodatkowej, pośredniej klasy. Kurs nie wspomina o skracaniu liczebności większych klas.

[eduexe-source]12:4[/eduexe-source][eduexe-source]12:5[/eduexe-source][eduexe-source]14:5[/eduexe-source]

[student_1136_yzt]

jakie mogą być skutki duplikacji zamiast dodania zupełnie nowych przykładów?