Topics tagged with wstęp do uczenia maszynowego v. 1.1 beta 4

conversation_by_axh

bot_eduexe — Invalid Date

[eduexe-intent]student_progress[/eduexe-intent] Twoje postępy w kursie: Wykonano: Odwiedziłeś komponent "Start" [eduexe-source]1:2[/eduexe-source] i zapoznałeś się z materiałami, wypełniłeś "Kwestionariusz początkowy" [eduexe-source]4:1[/eduexe-source], ukończyłeś "Test początkowy" [eduexe-source]6:1[/eduexe-source] (10/10 punktów) oraz test cząstkowy "AT - Wprowadzenie do UM - Test" [eduexe-source]9:1[/eduexe-source]. Rozpocząłeś moduły "A1 - Wprowadzenie do uczenia maszynowego" [eduexe-source]7:2[/eduexe-source] i "A2 - Wprowadzenie do Google Teachable Machine" [eduexe-source]8:7[/eduexe-source], wykonując po jednym zadaniu. Obecnie znajdujesz się w module "B1 - Dane w procesie uczenia" [eduexe-source]11:7[/eduexe-source], gdzie rozpocząłeś rozwiązywanie zadań. Do wykonania: Dokończenie modułu "B1 - Dane w procesie uczenia" oraz pozostałych części modułów "A1 - Wprowadzenie do uczenia maszynowego" i "A2 - Wprowadzenie do Google Teachable Machine". Do przerobienia pozostały moduły: "A3 - Wprowadzenie do UM - dodatkowy przykład", "B2 - Istotność danych w UM - naprawa modelu", "BT - Dane w procesie uczenia - Test", "B3 - Dane w UM - dodatkowe przykłady", wszystkie moduły z sekcji "Podstawowe pojęcia UM" i "Metryki", "Kwestionariusz końcowy" oraz "Zadanie końcowe". Do tej pory spędziłeś w kursie około 15 minut. Cały kurs został zaprojektowany na około 120 minut nauki, więc pozostało Ci do zrealizowania około 105 minut.

conversation_by_ate

bot_eduexe — Invalid Date

[eduexe-intent]course_content[/eduexe-intent] Przepraszam za zamieszanie. Poprzednie odniesienia do tematu "Strata, przeuczenie, niedouczenie" były moim błędem. Nieprawidłowo założyłem/założyłam, że masz trudności z tym zagadnieniem, co doprowadziło do błędnego wskazania go jako aktualnego tematu. Masz rację, obecnie jesteś w "A1 - Wprowadzenie do uczenia maszynowego", który jest pierwszym merytorycznym elementem kursu.

conversation_by_ggs

bot_eduexe — Invalid Date

[eduexe-intent]other[/eduexe-intent] Wyobraźmy sobie, że system UM ma klasyfikować eseje uczniów na "Zaliczone" i "Niezaliczony". Uczenie Maszynowe (UM) uczy się reguł oceny z przykładów (danych z etykietami "Zaliczone"/"Niezaliczony"), zamiast być programowanym. [eduexe-source]7:1[/eduexe-source] [eduexe-source]7:6[/eduexe-source] Model to "wiedza" systemu, a algorytm to metoda, jaką się uczy. [eduexe-source]7:1[/eduexe-source] Funkcja straty mierzy błędy w ocenie, a optymalizacja je minimalizuje. [eduexe-source]7:1[/eduexe-source] To przykład klasyfikacji w uczeniu nadzorowanym. [eduexe-source]7:8[/eduexe-source]

conversation_by_pw7

bot_eduexe — Invalid Date

[eduexe-intent]student_progress[/eduexe-intent] Na podstawie Twoich ostatnich aktywności i pominiętych odpowiedzi, powinnaś powtórzyć następujące zagadnienia: Macierz pomyłek i metryki: Upewnij się, że potrafisz w pełni interpretować macierz pomyłek i odczytywać z niej błędne klasyfikacje. [18:2][18:4][19:2] Powtórz też różnice w zastosowaniu Precyzji i Czułości, wiedząc, kiedy minimalizować Fałszywe Pozytywne (FP), a kiedy Fałszywe Negatywne (FN). [26:4][23:1][24:1] Ocena dopasowania modelu: Skup się na wizualnym rozróżnianiu modeli przeuczonych i niedouczonych na wykresach funkcji straty. [17:4][17:6][17:7] Podstawowe pojęcia GTM i danych: Wróć do prawidłowej sekwencji działań w Google Teachable Machine [9:3][9:4][9:5][9:6][9:7] oraz sposobu identyfikacji problemów takich jak "dane spoza klas" i "przypadki graniczne". [11:2][11:4][11:5][11:10] Upewnij się również, że rozumiesz obliczanie wsadów na epokę. [16:5][16:6]

conversation_by_a22

bot_eduexe — Invalid Date

[eduexe-intent]course_content[/eduexe-intent] Aktualny temat kursu to rozróżnianie problemów klasyfikacji i predykcji w uczeniu maszynowym. Wyjaśnię to tak: Wyobraź sobie, że masz "inteligentnego" asystenta. Klasyfikacja to jak sortowanie rzeczy do gotowych szuflad z nazwami. Asystent, widząc coś, decyduje, do której z wcześniej określonych kategorii to należy (np. "pies" czy "kot", "spam" czy "nie-spam"). Predykcja to jak zgadywanie konkretnej liczby lub wartości. Asystent, na podstawie dostępnych informacji, próbuje podać dokładną wartość (np. "jutro będzie 20 stopni Celsjusza", "cena tego domu to 500 000 zł"). Przykład: Jeśli model ma stwierdzić, czy e-mail to spam, czy nie, to jest to klasyfikacja. Jeśli model ma przewidzieć, ile pieniędzy wyda klient w sklepie w przyszłym miesiącu, to jest to predykcja. Pytanie sprawdzające: Czy określenie, czy dany pacjent ma grypę (tak/nie), jest przykładem klasyfikacji czy predykcji? [eduexe-source]7:8[/eduexe-source]

conversation_by_f06

bot_eduexe — Invalid Date

[eduexe-intent]student_progress[/eduexe-intent] Nie wiesz, co dalej? Poprzednio zauważyliśmy, że masz kilka niepoprawnych odpowiedzi w quizach oraz słaby wynik w teście cząstkowym z modułu "Dane w procesie UM". Sugeruję wrócić do materiałów z tego modułu, zwłaszcza do komponentów [eduexe-source]11:1[/eduexe-source] i [eduexe-source]12:1[/eduexe-source], aby utrwalić wiedzę, a następnie spróbować ponownie rozwiązać test cząstkowy [eduexe-source]13:1[/eduexe-source].

conversation_by_e4a

eduexe.admin — Invalid Date

Topic created

conversation_by_diu

eduexe.admin — Invalid Date

Topic created

conversation_by_m2d

bot_external — Invalid Date

[eduexe-intent]student_progress[/eduexe-intent] Świetnie Ci idzie! Poświęciłeś już 653 minuty na kurs, co pokazuje Twoje zaangażowanie. Szczególnie dobrze poradziłeś sobie z pytaniem o uczenie przez doświadczenie w komponencie A1 [eduexe-source]7:3[/eduexe-source] oraz poprawnie określiłeś pewność modelu w Google Teachable Machine w komponencie A2 [eduexe-source]8:7[/eduexe-source].

conversation_by_gbi

bot_external — Invalid Date

[eduexe-intent]course_content[/eduexe-intent] Najważniejsze pojęcia z początkowej części kursu to główne elementy Uczenia Maszynowego: Dane: Duże zbiory używane do trenowania i testowania modeli. Model: Matematyczna reprezentacja problemu, która uczy się na podstawie danych. Algorytm: Zestaw reguł i procedur używany do uczenia modelu. Funkcja straty: Ocenia, jak dobrze model działa – im niższa strata, tym lepszy model. Optymalizacja: Proces dopasowywania parametrów modelu, by minimalizować funkcję straty. W uczeniu nadzorowanym wyróżniamy klasyfikację (przypisywanie do kategorii) i predykcję (przewidywanie wartości liczbowej). [eduexe-source]7:1[/eduexe-source][eduexe-source]7:8[/eduexe-source]

conversation_by_hrh

bot_external — Invalid Date

[eduexe-intent]course_content[/eduexe-intent] Uczenie Maszynowe (UM, ang. Machine Learning - ML) to obszar Sztucznej Inteligencji (AI) skupiający się na rozwijaniu algorytmów, które automatycznie poprawiają się poprzez doświadczenie, czyli ekspozycję na dane. Algorytmy te, na podstawie dostarczonych danych, budują model matematyczny zdolny do podejmowania decyzji lub prognozowania rezultatów bez konieczności bycia wprost zaprogramowanym do danego celu. [eduexe-source]7:1[/eduexe-source]

conversation_by_93x

bot_eduexe — Invalid Date

[eduexe-intent]student_progress[/eduexe-intent] W komponencie "O kursie" spędziłeś 0 minut.

conversation_by_ycw

bot_external — Invalid Date

[eduexe-intent]course_content[/eduexe-intent] Aby lepiej zrozumieć temat naprawy problemów z danymi, wyobraź sobie model, który rozpoznaje cyfry, ale nie radzi sobie z cyfrą "4" (bo jej nie zna) oraz z cyfrą "3" (bo ma za mało przykładów). Możesz poprawić jego działanie, dodając brakującą klasę "4" wraz z danymi oraz uzupełniając dane dla klasy "3". [eduexe-source]12:1[/eduexe-source]

conversation_by_vao

bot_eduexe — Invalid Date

[eduexe-intent]student_progress[/eduexe-intent] W teście początkowym uzyskałeś/aś 8 z 10 możliwych punktów [eduexe-source]1:1[/eduexe-source]. Poprawnie odpowiedziałeś/aś na pytania dotyczące: przykładów problemów klasyfikacji. metryk wykorzystywanych do oceny modeli w problemach klasyfikacji. prawdziwych zdań odnoszących się do procesu uczenia w problemie klasyfikacji. przykładów algorytmów uczenia nienadzorowanego. Jedynym pytaniem, na które odpowiedziałeś/aś niepoprawnie, było to dotyczące fałszywych zdań odnoszących się do zbioru danych w procesie uczenia. Zaznaczyłeś/aś jedno fałszywe zdanie, ale pominąłeś/aś drugie.

conversation_by_sdu

bot_external — Invalid Date

[eduexe-intent]student_progress[/eduexe-intent] Najważniejszą rzeczą, którą powinieneś/powinnaś teraz zrobić, jest uzupełnienie i sprawdzenie swojej wiedzy na temat problemów z danymi. Pominąłeś/Pominęłaś odpowiedzi na pytania kontrolne w komponencie "B1 - Dane w procesie uczenia", które są kluczowe dla zrozumienia tego zagadnienia. Pierwszy konkretny krok: Wróć do slajdu "Problemy z danymi - sprawdź się!" i odpowiedz na pytania dotyczące plików "test_B0.jpg", "test_B1.jpg", "test_B2.jpg" i "test_B3.jpg". [eduexe-source]11:7[/eduexe-source] [eduexe-source]11:8[/eduexe-source] [eduexe-source]11:9[/eduexe-source] [eduexe-source]11:10[/eduexe-source]

conversation_by_ui5

bot_external — Invalid Date

[eduexe-intent]student_progress[/eduexe-intent] Jasne, oto 2-3 krótkie pytania kontrolne na podstawie materiału, który dotychczas przerobiłeś: Jakie jest główne narzędzie wykorzystywane do zadań praktycznych w tym kursie? [eduexe-source]1:1[/eduexe-source] Z ilu modułów tematycznych składa się kurs? [eduexe-source]1:1[/eduexe-source] Ile maksymalnie punktów można zdobyć za test początkowy? [eduexe-source]1:1[/eduexe-source]

conversation_by_87p

bot_external — Invalid Date

[eduexe-intent]course_content[/eduexe-intent] Informacje o Google Teachable Machine znajdziesz w komponencie "A2 - Wprowadzenie do Google Teachable Machine". Na slajdzie 1 tego komponentu wyjaśniono, czym jest to narzędzie, a na slajdzie 2 dostępny jest link. Na slajdzie 3 znajdziesz też pierwsze kroki do jego obsługi. [eduexe-source]8:1[/eduexe-source][eduexe-source]8:2[/eduexe-source][eduexe-source]8:3[/eduexe-source] W spisie treści (komponent 3) jest również odnośnik do tej sekcji. [eduexe-source]3:1[/eduexe-source]