conversation_by_ed1

[student_1136_ed1]

Czym się różni zbiór uczący od zbioru testowego?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Zbiór uczący (treningowy) to zestaw danych, na których model uczy się, znając z góry prawidłową klasyfikację. Zbiór testowy to natomiast zbiór przykładów, których model nie widział podczas uczenia się i służy do sprawdzenia, jak dobrze model radzi sobie z nowymi danymi. Wyniki na zbiorze testowym są miarą skuteczności modelu. [eduexe-source]15:3[/eduexe-source]

[student_1136_ed1]

Podaj definicje: epoki, wsad i współczynnika uczenia się

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Epoka to pojedyncze przejście modelu przez cały zbiór uczący w procesie trenowania. [eduexe-source]20:1[/eduexe-source]

Wsad to porcja przykładów, które model przetwarza jednocześnie. [eduexe-source]20:1[/eduexe-source]

Współczynnik uczenia się to parametr modelu, który określa, jak duże kroki w kierunku poprawnego rozwiązania po każdej nowej ekspozycji na dane model będzie wykonywał. [eduexe-source]20:1[/eduexe-source]

[student_1136_ed1]

Czym są metryki?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Metrykami w Uczeniu Maszynowym określamy miary oceny wytrenowanych modeli. Metryka jest funkcją, która zwraca wartość pozwalającą porównać model z innymi. Im wyższa wartość metryki, tym lepsza ocena modelu. [eduexe-source]21:1[/eduexe-source]

[student_1136_ed1]

Do czego używa się metryk?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Błąd system LLM.

[student_1136_ed1]

Do czego używa się metryk?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Metryki w Uczeniu Maszynowym służą do oceny wytrenowanych modeli, umożliwiając ich porównywanie. Metryka zwraca wartość, która pozwala ocenić, jak dobry jest model – im wyższa wartość, tym lepsza ocena. [eduexe-source]21:1[/eduexe-source]