Topic created

]]>https://forum.eduexe.com/topic/243/conversation_by_1cnRSS for NodeSat, 06 Jun 2026 03:11:02 GMTFri, 22 May 2026 15:03:21 GMT60[eduexe-intent]course_content[/eduexe-intent]
F-score to metryka stanowiąca próbą stworzenia uniwersalnej miary oceny modelu. Opiera się na precyzji (precision) i czułości (recall), a oblicza się ją jako ich średnią harmoniczną. F-score stanowi kompromis pomiędzy tymi dwiema metrykami, oceniając model bardziej obiektywnie niż każda z nich z osobna.
[eduexe-source]25:1[/eduexe-source]
[eduexe-source]25:2[/eduexe-source]
[eduexe-source]25:3[/eduexe-source]

]]>https://forum.eduexe.com/post/4161https://forum.eduexe.com/post/4161Mon, 25 May 2026 16:07:41 GMTopowiedz czym jest f-score

]]>https://forum.eduexe.com/post/4160https://forum.eduexe.com/post/4160Mon, 25 May 2026 16:07:15 GMT[eduexe-intent]course_content[/eduexe-intent]
Metrykami w kontekście Uczenia Maszynowego określamy miary oceny wytrenowanych modeli. Metryka to funkcja, która przyjmując model, zwraca wartość pozwalającą porównać go z innymi modelami. Im wyższa wartość metryki, tym wyższa ocena modelu.
[eduexe-source]21:1[/eduexe-source]

]]>https://forum.eduexe.com/post/4129https://forum.eduexe.com/post/4129Fri, 22 May 2026 15:54:50 GMTOpowiedz czym jest metryka

]]>https://forum.eduexe.com/post/4128https://forum.eduexe.com/post/4128Fri, 22 May 2026 15:54:43 GMT[eduexe-intent]course_content[/eduexe-intent]
W aktualnej części kursu, czyli "Podstawowe pojęcia Uczenia Maszynowego", kluczowe pojęcia to:

• Zbiór uczący: dane, na których model się uczy, znając poprawne odpowiedzi.
• Zbiór testowy: dane do sprawdzenia wytrenowanego modelu, których wcześniej nie widział.
• Epoka: jedno przejście modelu przez cały zbiór uczący.
• Wsad: porcja przykładów przetwarzanych jednocześnie przez model.
• Współczynnik uczenia się: określa wielkość kroków korekty modelu.
• Funkcja straty: mierzy błąd modelu, dążymy do jej minimalizacji.
• Przeuczenie: model za bardzo dopasowany do danych uczących, słabo radzi sobie z nowymi.
• Niedouczenie: model zbyt prosty, by wykryć prawidłowości w danych.
• Macierz pomyłek: tabela pokazująca poprawne i błędne klasyfikacje modelu.
  [eduexe-source]20:1[/eduexe-source]

]]>https://forum.eduexe.com/post/4127https://forum.eduexe.com/post/4127Fri, 22 May 2026 15:17:14 GMTWyjaśnij mi najważniejsze pojęcia z aktualnej części kursu prostym językiem. Odwołuj się do materiałów kursu.

]]>https://forum.eduexe.com/post/4126https://forum.eduexe.com/post/4126Fri, 22 May 2026 15:17:02 GMT