<![CDATA[conversation_by_ofd]]>Topic created

]]>https://forum.eduexe.com/topic/211/conversation_by_ofdRSS for NodeFri, 05 Jun 2026 23:53:39 GMTFri, 17 Apr 2026 13:41:47 GMT60<![CDATA[Reply to conversation_by_ofd on Fri, 17 Apr 2026 13:48:35 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Epoka (ang. epoch) to jedno pełne przejście modelu w czasie treningu przez wszystkie przykłady ze zbioru uczącego. Zazwyczaj potrzeba wielu epok, aby dobrze wytrenować model. Wsad (ang. batch size) to liczba przykładów treningowych (porcja danych), jaką model otrzymuje na raz do przetworzenia w pojedynczej iteracji. Zbiór uczący jest dzielony na takie porcje, czyli wsady. [eduexe-source]componentId:16:slideId:3[/eduexe-source] [eduexe-source]componentId:16:slideId:5[/eduexe-source] [eduexe-source]componentId:20:slideId:1[/eduexe-source]

]]>https://forum.eduexe.com/post/3690https://forum.eduexe.com/post/3690Fri, 17 Apr 2026 13:48:35 GMT<![CDATA[Reply to conversation_by_ofd on Fri, 17 Apr 2026 13:48:17 GMT]]>czym jest epoka i wsad

]]>https://forum.eduexe.com/post/3689https://forum.eduexe.com/post/3689Fri, 17 Apr 2026 13:48:17 GMT<![CDATA[Reply to conversation_by_ofd on Fri, 17 Apr 2026 13:48:01 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Funkcja straty (ang. loss function) to miara różnicy między prawidłową odpowiedzią a odpowiedzią zwróconą przez model. Jest używana do oceny, jak dobrze model działa. Celem procesu trenowania jest minimalizowanie wartości funkcji straty – im jest ona niższa, tym model jest lepszy. Idealny model, który nigdy się nie myli, miałby stratę równą 0. [eduexe-source]componentId:17:slideId:2[/eduexe-source] [eduexe-source]componentId:7:slideId:1[/eduexe-source]

]]>https://forum.eduexe.com/post/3688https://forum.eduexe.com/post/3688Fri, 17 Apr 2026 13:48:01 GMT<![CDATA[Reply to conversation_by_ofd on Fri, 17 Apr 2026 13:47:44 GMT]]>czym jest funkcja straty\

]]>https://forum.eduexe.com/post/3687https://forum.eduexe.com/post/3687Fri, 17 Apr 2026 13:47:44 GMT<![CDATA[Reply to conversation_by_ofd on Fri, 17 Apr 2026 13:47:25 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Czułość (ang. recall) to metryka obliczana na podstawie macierzy pomyłek. Definiuje się ją jako stosunek przykładów prawdziwie pozytywnych do wszystkich pozytywnych przykładów w rzeczywistości. Mówiąc prościej, czułość informuje, jaki procent wszystkich pozytywnych przypadków (np. wszystkich chorych osób w zbiorze testowym) jest w stanie wykryć model. [eduexe-source]componentId:24:slideId:1[/eduexe-source] [eduexe-source]componentId:29:slideId:2[/eduexe-source]

]]>https://forum.eduexe.com/post/3686https://forum.eduexe.com/post/3686Fri, 17 Apr 2026 13:47:25 GMT<![CDATA[Reply to conversation_by_ofd on Fri, 17 Apr 2026 13:47:04 GMT]]>czym jest czułość

]]>https://forum.eduexe.com/post/3685https://forum.eduexe.com/post/3685Fri, 17 Apr 2026 13:47:04 GMT<![CDATA[Reply to conversation_by_ofd on Fri, 17 Apr 2026 13:46:25 GMT]]>Druga odpowiedź nauczyciela
AAAA
BBBB
wOEFISOEUGEOG

]]>https://forum.eduexe.com/post/3684https://forum.eduexe.com/post/3684Fri, 17 Apr 2026 13:46:25 GMT<![CDATA[Reply to conversation_by_ofd on Fri, 17 Apr 2026 13:45:35 GMT]]>Testowa odpowiedź nauczyciela

]]>https://forum.eduexe.com/post/3683https://forum.eduexe.com/post/3683Fri, 17 Apr 2026 13:45:35 GMT<![CDATA[Reply to conversation_by_ofd on Fri, 17 Apr 2026 13:43:36 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Zbiór testowy to zbiór przykładów, których model nie wykorzystał w procesie uczenia się. Służy do sprawdzenia, jak dobrze model został wytrenowany i na ile jest skuteczny. To, jak model radzi sobie z klasyfikacją danych testowych, jest miarą jego jakości. Zbiór uczący powinien być znacząco większy od zbioru testowego. W metaforze nauki, zbiór testowy odpowiada zadaniom na egzaminie. [eduexe-source]componentId:15:slideId:3[/eduexe-source] [eduexe-source]componentId:20:slideId:1[/eduexe-source]

]]>https://forum.eduexe.com/post/3682https://forum.eduexe.com/post/3682Fri, 17 Apr 2026 13:43:36 GMT<![CDATA[Reply to conversation_by_ofd on Fri, 17 Apr 2026 13:43:12 GMT]]>podaj podstawowe informacje o zbiorze testowym

]]>https://forum.eduexe.com/post/3681https://forum.eduexe.com/post/3681Fri, 17 Apr 2026 13:43:12 GMT<![CDATA[Reply to conversation_by_ofd on Fri, 17 Apr 2026 13:42:43 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Precyzja (precision) to stosunek poprawnie sklasyfikowanych diagnoz pozytywnych do wszystkich przypadków sklasyfikowanych przez model jako pozytywne. Z kolei F-score to metryka oparta jednocześnie na precyzji i czułości (recall), obliczana jako ich średnia harmoniczna. Jest to próba stworzenia bardziej uniwersalnej miary oceny modelu. [eduexe-source]componentId:23:slideId:1[/eduexe-source] [eduexe-source]componentId:25:slideId:1[/eduexe-source] [eduexe-source]componentId:25:slideId:2[/eduexe-source]

]]>https://forum.eduexe.com/post/3680https://forum.eduexe.com/post/3680Fri, 17 Apr 2026 13:42:43 GMT<![CDATA[Reply to conversation_by_ofd on Fri, 17 Apr 2026 13:42:26 GMT]]>opowiedz o f-score i precyzji

]]>https://forum.eduexe.com/post/3679https://forum.eduexe.com/post/3679Fri, 17 Apr 2026 13:42:26 GMT<![CDATA[Reply to conversation_by_ofd on Fri, 17 Apr 2026 13:42:14 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Zbiór uczący (treningowy) to zbiór przykładów, na których model się uczy, znając z góry prawidłową klasyfikację. Można go porównać do repetytorium z zadaniami, które rozwiązuje się, aby opanować materiał, i dla których można sprawdzić poprawną odpowiedź. Cały zbiór danych jest dzielony na zbiór uczący i zbiór testowy, przy czym ten pierwszy powinien być znacząco większy.

[eduexe-source]componentId:15:slideId:3[/eduexe-source]
[eduexe-source]componentId:20:slideId:1[/eduexe-source]

]]>https://forum.eduexe.com/post/3678https://forum.eduexe.com/post/3678Fri, 17 Apr 2026 13:42:14 GMT<![CDATA[Reply to conversation_by_ofd on Fri, 17 Apr 2026 13:41:56 GMT]]>Opowiedz mi o zbiorze uczącym

]]>https://forum.eduexe.com/post/3677https://forum.eduexe.com/post/3677Fri, 17 Apr 2026 13:41:56 GMT