conversation_by_vci

[eduexe.admin]

Topic created

[student_1077_vci]

czym jest ml?

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe (ML) to obszar Sztucznej Inteligencji (AI), który koncentruje się na algorytmach automatycznie poprawiających się poprzez doświadczenie, czyli ekspozycję na dane. Algorytmy te na podstawie danych budują model matematyczny, który potrafi podejmować decyzje lub prognozować rezultaty bez potrzeby bycia wprost zaprogramowanym do danego celu przez człowieka. [eduexe-source]7:1[/eduexe-source]

[student_1077_vci]

jakie znasz metryki?

[bot_external]

[eduexe-intent]other[/eduexe-intent]
Znam wiele metryk, które służą do oceny modeli uczenia maszynowego. Ich wybór zależy od rodzaju zadania (np. klasyfikacja, regresja). W kursie omawiane są metryki do zadań klasyfikacji:

• Dokładność (Accuracy): ogólny procent poprawnych predykcji. [eduexe-source]22:1[/eduexe-source]
• Precyzja (Precision): jak wiele pozytywnych prognoz było trafnych. [eduexe-source]23:1[/eduexe-source]
• Czułość (Recall): jak wiele faktycznych pozytywnych przypadków model wykrył. [eduexe-source]24:1[/eduexe-source]
• F-score: kompromis między precyzją a czułością. [eduexe-source]25:1[/eduexe-source]

[student_1077_vci]

czym jest precision, jak to jest po polsku?

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
"Precision" to po polsku "Precyzja". Jest to metryka służąca do oceny jakości modelu Uczenia Maszynowego. Definiuje się ją jako stosunek poprawnie sklasyfikowanych diagnoz pozytywnych do liczby wszystkich przypadków testowych sklasyfikowanych przez model jako pozytywne. Inaczej mówiąc, pokazuje, jak wiele pozytywnych prognoz modelu było trafnych. [eduexe-source]23:1[/eduexe-source]

[student_1077_vci]

czym jest recall

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
"Recall" to po polsku "Czułość". Jest to metryka, którą definiuje się jako stosunek przykładów prawdziwie pozytywnych (np. poprawnie wykrytych chorób) do wszystkich faktycznie pozytywnych przykładów w zbiorze danych (np. wszystkich chorych). Mówi nam, jaki procent wszystkich pozytywnych przypadków w rzeczywistości został wykryty przez model. [eduexe-source]24:1[/eduexe-source]