conversation_by_vzp
-
opisz krótko w języku ucznia 7/8 szkoły podstawowej różnice między uczeniem nadzorowanym, nienadzorowanym i przez wzmacnianie
Oto odpowiedź na pytanie kursanta:
Uczenie maszynowe to proces, w którym komputer uczy się na podstawie danych. Istnieją trzy rodzaje uczenia maszynowego:
- Uczenie nadzorowane: Model uczy się na podstawie danych z etykietami (prawidłowymi odpowiedziami). Przykładem jest rozróżnianie zdjęć psów i kotów.
- Uczenie nienadzorowane: Model nie ma dostępu do etykiet i musi samodzielnie odkryć wzorce i zależności w danych. Przykładem jest podział zdjęć zwierząt na gatunki.
- Uczenie przez wzmacnianie: Model uczy się poprzez interakcje ze środowiskiem, poprzez system kar i nagród. Przykładem jest uczenie się gry w szachy.
Wszystkie te rodzaje uczenia maszynowego mają na celu ulepszenie modelu, aby mógł dokładniej przewidywać lub klasyfikować dane.
-
czy jeśli w jednej klasie mam 199 przykladow a w drugiej 201 to model odczyta potem poprawne dane
-
czy jeśli w jednej klasie mam 199 przykladow a w drugiej 201 to model odczyta potem poprawne dane
Oto odpowiedź na pytanie kursanta:
Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.
Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.
W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.
Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.
Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.
W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.
Oto odpowiedź na pytanie kursanta:
Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.
Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.
W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.
Oto odpowiedź na pytanie kursanta:
Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.
Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.
W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.
Oto odpowiedź na pytanie kursanta:
Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.
Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.
W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.
Oto odpowiedź na pytanie kursanta:
Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.
Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.
W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.
Oto odpowiedź na pytanie kursanta:
Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.
Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.
W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.
Oto odpowiedź na pytanie kursanta:
Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.
Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.
W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.
Oto odpowiedź na pytanie kursanta:
Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.
Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.
W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.
Oto odpowiedź na pytanie kursanta:
Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.
Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.
W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.
Oto odpowiedź na pytanie kursanta:
Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.
Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.
W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.
Oto odpowiedź na pytanie kursanta:
Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.
Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.
W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.
Oto odpowiedź na pytanie kursanta:
Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.
Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.
W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.
Oto odpowiedź na pytanie kursanta:
Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.
Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.
W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.
Oto odpowiedź na pytanie kursanta:
Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.
Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.
W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.
Oto odpowiedź na pytanie kursanta:
Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.
Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.
W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbiór uczący i zbiór testowy w proporcji 85:15 - nie da się ręcznie zmienić tej proporcji.
Oto odpowiedź na pytanie kursanta:
Zarówno do tej demonstracji, jak i w pozostałej części kursu będziemy korzystać z wspomnianego, zewnętrzengo narzędzia - Google Teachable Machine.
Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy zazwyczaj w sposób losowy. W Google Teachable Machine nie trzeba robić tego ręcznie - narzędzie dokonuje automatycznego podziału danych za nas.
W Google Teachable Machine, dane są zawsze automatycznie dzielone na zbi
-
opisz krótko - w 2 zdaniach, co to zbiór uczący
-
opisz krótko - w 2 zdaniach, co to zbiór uczący
-
Załóżmy, że korzystając z Google Teachable Machine, trenujemy model dla trzech klas. Dla każdej z klas dostarczyliśmy po 200 przykładów. Z ilu łącznie przykładów będzie składał się cały zbiór testowy dla tego modelu?
-
Załóżmy, że korzystając z Google Teachable Machine, trenujemy model dla trzech klas. Dla każdej z klas dostarczyliśmy po 200 przykładów. Z ilu łącznie przykładów będzie składał się cały zbiór testowy dla tego modelu?
-
Załóżmy, że korzystając z Google Teachable Machine, trenujemy model dla trzech klas. Dla każdej z klas dostarczyliśmy po 200 przykładów. Z ilu łącznie przykładów będzie składał się cały zbiór testowy dla tego modelu?
-
co to epoka?
-
Załóżmy, że trenujemy model, którego zbiór uczący składa się z 340 przykładów. Parametr wielkość wsadu ustalony jest na 16. Ile wsadów będzie potrzebne do ukończenia jednej epoki?
-
opowiedz o tym kursie
-
zależność między f-score, a czułością
-
zależność między f-score, a czułością
-
obraziłeś się?
-
obraziłeś się?
Nie, nie obraziłem się. Oto odpowiedź na pytanie kursanta:
Jasne, nie obraziłem się. Czy mogę pomóc w jakiejś innej sprawie?
-
nie ładowałeś mi wiadomości...
-
czuję się z tym źle...
-
dlaczego nie odpowiadasz na moje wiadomości?