conversation_by_7y4

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Uczenie maszynowe jest jedną z gałęzi Sztucznej Inteligencji. W pewnych zadaniach można je zastąpić tradycyjnym programowaniem, gdzie zamiast uczyć algorytm na danych, programista definiuje konkretne reguły i instrukcje. Jednak dla złożonych problemów, gdzie reguły są trudne do zdefiniowania, ML jest często bardziej efektywne. Istnieją też inne podejścia w ramach AI, które niekoniecznie opierają się na uczeniu z danych w ten sam sposób. [eduexe-source]7:1[/eduexe-source]

[student_1137_7y4]

Jakie sa alternatywy dla google teachable machine

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Google Teachable Machine to przeglądarkowe narzędzie do tworzenia modeli Uczenia Maszynowego bez konieczności programowania [eduexe-source]8:1[/eduexe-source]. Alternatywy obejmują inne platformy no-code/low-code, takie jak Microsoft Azure Custom Vision, Amazon Rekognition Custom Labels czy Lobe.ai. Bardziej zaawansowane podejście to tworzenie modeli od podstaw z użyciem języków programowania (np. Python z bibliotekami takimi jak TensorFlow, Keras, PyTorch) lub innych specjalistycznych platform ML.

[student_1137_7y4]

Jak istotne są dane w uczeniu maszynowym

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Dane są absolutnie niezbędne w uczeniu maszynowym, ponieważ to na ich podstawie algorytmy uczą się i budują modele matematyczne. Odpowiedni dobór i przygotowanie danych jest niezwykle ważne dla skuteczności działania modelu. [eduexe-source]11:1[/eduexe-source]

[student_1137_7y4]

Jakie moga byc typy danych w uczeniu maszynowym

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
W uczeniu maszynowym wykorzystuje się różnorodne typy danych. Kurs wymienia zastosowania takie jak rozpoznawanie obrazów i dźwięków, a także budowanie modeli językowych, co sugeruje dane tekstowe [eduexe-source]7:1[/eduexe-source]. Przykłady w kursie bazują głównie na danych obrazowych, np. do klasyfikacji zdjęć psów i kotów [eduexe-source]8:4[/eduexe-source], ptaków [eduexe-source]10:4[/eduexe-source] czy odręcznie pisanych cyfr [eduexe-source]14:2[/eduexe-source].

[student_1137_7y4]

Po co sa epoki

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Pojedyncza epoka (ang. epoch) to przejście modelu w czasie treningu przez wszystkie przykłady ze zbioru uczącego. Zazwyczaj jedna epoka to za mało, aby model nauczył się poprawnie, ale zbyt wiele epok może prowadzić do nadmiernego zapamiętywania danych treningowych, zamiast uczenia się ogólnych wzorców. [eduexe-source]16:3[/eduexe-source]

[student_1137_7y4]

Ale po co one sa

[bot_eduexe]

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

[student_1137_7y4]

Czym jest epoka

[student_1137_7y4]

Czym jest epoch

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Pojedyncza epoka (ang. epoch) to przejście modelu w czasie treningu przez wszystkie przykłady ze zbioru uczącego (treningowego). [eduexe-source]16:3[/eduexe-source]

[student_1137_7y4]

Za co odpowiada wsad

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Wielkość wsadu (ang. batch size) to rozmiar porcji treningowej, czyli liczba przykładów, jaką model otrzymuje na raz do trenowania w pojedynczej iteracji swojego działania. [eduexe-source]16:5[/eduexe-source]

[student_1137_7y4]

Jaka strata jest dopuszczalna

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Celem procesu trenowania modelu jest minimalizowanie funkcji straty. Idealny model, który nigdy się nie myli, miałby wartość funkcji straty na poziomie 0. Kurs nie określa konkretnej "dopuszczalnej" wartości straty, lecz dąży się do jej jak najniższej wartości. [eduexe-source]17:2[/eduexe-source]

[student_1137_7y4]

Jaka jest roznica pomiedzy precyzja a dokladnoscia

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Dokładność (Accuracy) to stosunek poprawnie zaklasyfikowanych przykładów testowych do wszystkich przykładów testowych. Precyzja (Precision) to stosunek poprawnie sklasyfikowanych diagnoz pozytywnych do liczby wszystkich przypadków sklasyfikowanych jako pozytywne. Dokładność może być myląca przy nierównej liczebności klas, natomiast precyzja lepiej radzi sobie w takich sytuacjach. [eduexe-source]22:1[/eduexe-source][eduexe-source]23:1[/eduexe-source][eduexe-source]23:4[/eduexe-source]