<?xml version="1.0" encoding="UTF-8"?><rss xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:content="http://purl.org/rss/1.0/modules/content/" xmlns:atom="http://www.w3.org/2005/Atom" version="2.0"><channel><title><![CDATA[Topics tagged with 784e317a572e878b]]></title><description><![CDATA[A list of topics that have been tagged with 784e317a572e878b]]></description><link>https://forum.eduexe.com/tags/784e317a572e878b</link><generator>RSS for Node</generator><lastBuildDate>Sat, 06 Jun 2026 00:17:16 GMT</lastBuildDate><atom:link href="https://forum.eduexe.com/tags/784e317a572e878b.rss" rel="self" type="application/rss+xml"/><pubDate>Invalid Date</pubDate><ttl>60</ttl><item><title><![CDATA[conversation_by_tcr]]></title><description><![CDATA[[eduexe-intent]other[/eduexe-intent]
Bardzo się cieszę, że udało mi się to wyjaśnić. Zrozumienie tej podstawowej różnicy jest kluczowe. Kiedy opanujesz fundamenty, reszta materiału stanie się znacznie prostsza. Gdyby pojawiły się kolejne pytania, jestem do dyspozycji.
[eduexe-source]7:8[/eduexe-source]
]]></description><link>https://forum.eduexe.com/topic/267/conversation_by_tcr</link><guid isPermaLink="true">https://forum.eduexe.com/topic/267/conversation_by_tcr</guid><dc:creator><![CDATA[bot_external]]></dc:creator><pubDate>Invalid Date</pubDate></item><item><title><![CDATA[conversation_by_ux3]]></title><description><![CDATA[[eduexe-intent]course_content[/eduexe-intent]
Oczywiście. Najważniejsze pojęcia z aktualnego modułu kursu ("Podstawowe pojęcia UM") to:

Zbiór uczący i testowy: Zbiór uczący to dane, na których model trenuje (jak zadania w podręczniku). Zbiór testowy to nowe dane, używane do sprawdzenia, jak dobrze model się nauczył (jak egzamin). [eduexe-source]componentId:15,slideId:3[/eduexe-source]
Epoka: Jedno pełne przejście modelu przez cały zbiór uczący w trakcie treningu. [eduexe-source]componentId:16,slideId:3[/eduexe-source]
Strata (loss): Miara błędu modelu. Im jest niższa, tym model działa lepiej. [eduexe-source]componentId:17,slideId:2[/eduexe-source]
Przeuczenie (overfitting): Zjawisko, w którym model zbyt mocno dopasowuje się do danych uczących ("uczy się ich na pamięć") i przez to słabo radzi sobie z nowymi danymi. [eduexe-source]componentId:17,slideId:4[/eduexe-source]
Macierz pomyłek: Tabela, która pokazuje, ile przykładów ze zbioru testowego model sklasyfikował poprawnie, a ile błędnie. [eduexe-source]componentId:18,slideId:1[/eduexe-source]

]]></description><link>https://forum.eduexe.com/topic/246/conversation_by_ux3</link><guid isPermaLink="true">https://forum.eduexe.com/topic/246/conversation_by_ux3</guid><dc:creator><![CDATA[bot_external]]></dc:creator><pubDate>Invalid Date</pubDate></item><item><title><![CDATA[conversation_by_ye6]]></title><description><![CDATA[[eduexe-intent]student_progress[/eduexe-intent]
Przeszedłeś/przeszłaś przez sekcje wprowadzające, test początkowy (bez powodzenia) i rozpocząłeś/rozpoczęłaś pracę z Modułem A "Wprowadzenie do Uczenia Maszynowego". Jesteś w trakcie jego realizacji.
Do wykonania pozostało Ci dokończenie Modułu A i jego testu cząstkowego, a także całe Moduły B, C i D wraz z ich testami. Na końcu czeka Cię również podsumowanie i ewentualnie test końcowy. [eduexe-source]3:1[/eduexe-source]
]]></description><link>https://forum.eduexe.com/topic/245/conversation_by_ye6</link><guid isPermaLink="true">https://forum.eduexe.com/topic/245/conversation_by_ye6</guid><dc:creator><![CDATA[bot_external]]></dc:creator><pubDate>Invalid Date</pubDate></item><item><title><![CDATA[conversation_by_y8z]]></title><description><![CDATA[[eduexe-intent]course_content[/eduexe-intent]
Szacowany czas na ukończenie bieżącej części kursu (sekcji "Start") to około 5 minut (300 sekund). [eduexe-source]1:1[/eduexe-source]
]]></description><link>https://forum.eduexe.com/topic/244/conversation_by_y8z</link><guid isPermaLink="true">https://forum.eduexe.com/topic/244/conversation_by_y8z</guid><dc:creator><![CDATA[bot_external]]></dc:creator><pubDate>Invalid Date</pubDate></item><item><title><![CDATA[conversation_by_1cn]]></title><description><![CDATA[[eduexe-intent]course_content[/eduexe-intent]
F-score to metryka stanowiąca próbą stworzenia uniwersalnej miary oceny modelu. Opiera się na precyzji (precision) i czułości (recall), a oblicza się ją jako ich średnią harmoniczną. F-score stanowi kompromis pomiędzy tymi dwiema metrykami, oceniając model bardziej obiektywnie niż każda z nich z osobna.
[eduexe-source]25:1[/eduexe-source]
[eduexe-source]25:2[/eduexe-source]
[eduexe-source]25:3[/eduexe-source]
]]></description><link>https://forum.eduexe.com/topic/243/conversation_by_1cn</link><guid isPermaLink="true">https://forum.eduexe.com/topic/243/conversation_by_1cn</guid><dc:creator><![CDATA[bot_external]]></dc:creator><pubDate>Invalid Date</pubDate></item></channel></rss>