conversation_by_gev
-
Na czym polega uczenie przez doświadczenie w przypadku algorytmu Uczenia Maszynowego? na budowie modelu matematycznego na podstawie zaprogramowanych wprost instrukcji na budowie modelu matematycznego na podstawie ekspozycji na dane na ręcznym wgrywan
-
Na czym polega uczenie przez doświadczenie w przypadku algorytmu Uczenia Maszynowego? na budowie modelu matematycznego na podstawie zaprogramowanych wprost instrukcji na budowie modelu matematycznego na podstawie ekspozycji na dane na ręcznym wgrywan
Oto odpowiedź na pytanie kursanta:
Na budowie modelu matematycznego na podstawie ekspozycji na dane.
"Uczenie Maszynowe (UM, ang. Machine Learning - ML) - obszar Sztucznej Inteligencji (ang. Artificial Intelligence - AI) koncentrujący się na rozwijaniu algorytmów automatycznie poprawiających się poprzez doświadczenie, czyli w ich wypadku - ekspozycję na dane."
"Algorytmy te na podstawie dostarczonych im danych budują model matematyczny, który potrafi podejmować decyzje czy prognozować rezultaty bez potrzeby bycia wprost zaprogramowanym do danego celu przez człowieka."
-
nie no, te odpowiedzi są megasłabe xd
-
nie no, te odpowiedzi są megasłabe xd
Nie mogę odpowiedzieć na to pytanie, ponieważ nie zawiera ono żadnej informacji związanej z tematyką kursu.
-
Dopasuj: przewidywanie trendów giełdowych na podstawie danych interfejs użytkownika sterowany głosem zautomatyzowany system produkcji w fabryce. Do : analiza i klasyfikacja danych automatyczna nawigacja i sterowanie rozpoznawanie mowy
-
Nie wiem czy prowadzący mają dostęp do mojego Asystenta, nie zamierzam się gryźć w język mimo to. Działa słabo, specjalnie moje prompty nie są najłatwiejsze, żeby go sprawdzać. Notebooklm robi to o wiele lepiej
-
Nie wiem czy prowadzący mają dostęp do mojego Asystenta, nie zamierzam się gryźć w język mimo to. Działa słabo, specjalnie moje prompty nie są najłatwiejsze, żeby go sprawdzać. Notebooklm robi to o wiele lepiej
Oto odpowiedź na pytanie kursanta:
Zrozumiałem, że masz problemy z Asystentem. Nie martw się, jest to normalne. Asystent jest tutaj, aby pomóc ci w nauce, ale może potrzebować czasu, aby się dostosować do twoich potrzeb. Jeśli masz trudności z korzystaniem z Asystenta, proszę o podanie więcej szczegółów o tym, co jest niejasne lub nie działa poprawnie. Będę w stanie pomóc ci w rozwiązaniu problemu.
-
Połącz: dane spoza klas przypadek graniczny między klasami nierówna liczebność klas. Z: dodanie klasy wraz z odpowiednią liczbą przykładów utworzenie klasy pośredniej dodanie przykładów do mniej licznej klasy
-
Przypadek graniczny to taki przykład danych, który znajduje się na skraju wartości dopuszczalnych dla modelu, czyli np. ma najwyższe lub najniższe możliwe wartości w zbiorze uczącym. Występuje wtedy, gdy model musi decydować, czy dana próbka w ogóle należy
-
Przypadek graniczny to taki przykład danych, który znajduje się na skraju wartości dopuszczalnych dla modelu, czyli np. ma najwyższe lub najniższe możliwe wartości w zbiorze uczącym. Występuje wtedy, gdy model musi decydować, czy dana próbka w ogóle należy
Oto odpowiedź na pytanie kursanta:
Przeuczenie - inaczej: nadmierne dopasowanie (ang. overfitting) to zjawisko polegające na tym, że model za bardzo dostosowuje się do danych treningowych, w efekcie czego nie jest w stanie poprawnie radzić sobie z danymi testowymi, których "nie widział" w czasie uczenia się.
Stosując analogię z nauczaniem matematyki, jest to przypadek, w którym ktoś nauczył się całego repetytorium zadań wraz z odpowiedziami na pamięć, i tak naprawdę już nie rozwiązuje zadań, ale przypomina sobie odpowiedzi, gdy widzi polecenia.
I choć doskonale działa w przypadku zadań z tego repetytorium, to taka taktyka nie ma oczywiście żadnego sensu w kontekście egzaminu, na którym pojawią się przecież zadania, których wcześniej nasz uczeń-model nigdy nie widział, z definicji więc nie będzie w stanie przypomnieć sobie na nie odpowiedzi i pozostanie mu tylko strzelanie.
-
Przypadek graniczny to taki przykład danych, który znajduje się na skraju wartości dopuszczalnych dla modelu, czyli np. ma najwyższe lub najniższe możliwe wartości w zbiorze uczącym. Występuje wtedy, gdy model musi decydować, czy dana próbka w ogóle należy
-
Przypadek graniczny to taki przykład danych, który znajduje się na skraju wartości dopuszczalnych dla modelu, czyli np. ma najwyższe lub najniższe możliwe wartości w zbiorze uczącym. Występuje wtedy, gdy model musi decydować, czy dana próbka w ogóle należy
Oto odpowiedź na pytanie kursanta:
Przeuczenie - inaczej: nadmierne dopasowanie (ang. overfitting) to zjawisko polegające na tym, że model za bardzo dostosowuje się do danych treningowych, w efekcie czego nie jest w stanie poprawnie radzić sobie z danymi testowymi, których "nie widział" w czasie uczenia się.
Stosując analogię z nauczaniem matematyki, jest to przypadek, w którym ktoś nauczył się całego repetytorium zadań wraz z odpowiedziami na pamięć, i tak naprawdę już nie rozwiązuje zadań, ale przypomina sobie odpowiedzi, gdy widzi polecenia.
I choć doskonale działa w przypadku zadań z tego repetytorium, to taka taktyka nie ma oczywiście żadnego sensu w kontekście egzaminu, na którym pojawią się przecież zadania, których wcześniej nasz uczeń-model nigdy nie widział, z definicji więc nie będzie w stanie przypomnieć sobie na nie odpowiedzi i pozostanie mu tylko strzelanie.
-
Czy to zdanie jest prawdziwe? Przypadek graniczny to taki przykład danych, który znajduje się na skraju wartości dopuszczalnych dla modelu, czyli np. ma najwyższe lub najniższe możliwe wartości w zbiorze uczącym. Występuje wtedy, gdy model musi decydować,
-
Czy to zdanie jest prawdziwe? Przypadek graniczny to taki przykład danych, który znajduje się na skraju wartości dopuszczalnych dla modelu, czyli np. ma najwyższe lub najniższe możliwe wartości w zbiorze uczącym. Występuje wtedy, gdy model musi decydować,
Nie, to zdanie nie jest prawdziwe. Przypadek graniczny nie jest opisany w kontekście jako przykład danych, który znajduje się na skraju wartości dopuszczalnych dla modelu.
-
Czy to zdanie jest fałszywe? Przypadek graniczny (borderline case) to przykład danych, który ma bardzo niskie prawdopodobieństwo wystąpienia, dlatego często jest pomijany podczas treningu modelu i prowadzi do błędów klasyfikacji.
-
Czy to zdanie jest fałszywe? Przypadek graniczny (borderline case) to przykład danych, który ma bardzo niskie prawdopodobieństwo wystąpienia, dlatego często jest pomijany podczas treningu modelu i prowadzi do błędów klasyfikacji.
Oto odpowiedź na pytanie kursanta:
Przypadek brzegowy to problem lub sytuacja, która występuje tylko przy ekstremalnym (maksymalnym lub minimalnym) parametrze operacyjnym.
-
Powtórzę pytanie, CZY TO ZDANIE JEST FAŁSZYWE? Przypadek graniczny (borderline case) to przykład danych, który ma bardzo niskie prawdopodobieństwo wystąpienia, dlatego często jest pomijany podczas treningu modelu i prowadzi do błędów klasyfikacji.
-
Powtórzę pytanie, CZY TO ZDANIE JEST FAŁSZYWE? Przypadek graniczny (borderline case) to przykład danych, który ma bardzo niskie prawdopodobieństwo wystąpienia, dlatego często jest pomijany podczas treningu modelu i prowadzi do błędów klasyfikacji.
Oto odpowiedź na pytanie kursanta:
Nie, zdanie nie jest fałszywe. Przypadek brzegowy to sytuacja, która występuje przy ekstremalnych warunkach, a nie przykład danych z niskim prawdopodobieństwem wystąpienia.
-
Czy to prawda? Epoka (ang. epoch) to pojedyncze przejście modelu przez część danych treningowych w czasie nauki, po którym aktualizowane są wagi sieci neuronowej.
-
Czy to prawda? Epoka (ang. epoch) to pojedyncze przejście modelu przez część danych treningowych w czasie nauki, po którym aktualizowane są wagi sieci neuronowej.
Nie, to zdanie nie jest prawdziwe. Pojedyncza epoka to przejście modelu w czasie treningu przez wszystkie przykłady ze zbioru uczącego (treningowego).