conversation_by_vao

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Oto 2-3 krótkie pytania kontrolne dotyczące różnicy między predykcją a klasyfikacją, oparte na aktualnej części kursu i Twoich postępach:

1. Jaka jest główna różnica między problemem predykcji a problemem klasyfikacji w uczeniu maszynowym nadzorowanym? [eduexe-source]7:8[/eduexe-source]
2. Czy przewidywanie, czy klient zrezygnuje z usługi (tzw. churn), to przykład problemu predykcji czy klasyfikacji? Uzasadnij krótko. [eduexe-source]7:8[/eduexe-source]
3. Podaj przykład zadania, które jest problemem predykcji. [eduexe-source]7:8[/eduexe-source]

[student_1130_vao]

Przy klasyfikacji chodzi o zakwalifikowanie przypadku do jednej z klas, a przy predykcji - o przewidzenie konkretnej wartości liczbowej.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Zgadza się! Twoja odpowiedź jest poprawna. [eduexe-source]7:8[/eduexe-source]

Teraz przejdźmy do pozostałych pytań:

1. Czy przewidywanie, czy klient zrezygnuje z usługi (tzw. churn), to przykład problemu predykcji czy klasyfikacji? Uzasadnij krótko.
2. Podaj przykład zadania, które jest problemem predykcji.

[student_1130_vao]

Przewidywanie, czy klient zrezygnuje z usługi to problem klasyfikacji, bo de facto mamy tutaj dwie kategorie

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Twoja odpowiedź jest poprawna. Przewidywanie, czy klient zrezygnuje z usługi (churn) to faktycznie problem klasyfikacji, ponieważ polega na przypisaniu obiektu (klienta) do jednej z określonych kategorii (zrezygnuje / nie zrezygnuje). [eduexe-source]7:8[/eduexe-source]

Teraz przejdźmy do ostatniego pytania: Podaj przykład zadania, które jest problemem predykcji.

[student_1130_vao]

Przewidywanie wyniku na egzaminie na podstawie różnych danych o uczniu

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Twoja odpowiedź jest poprawna. Przewidywanie wyniku na egzaminie to przykład problemu predykcji, ponieważ polega na przewidywaniu konkretnej wartości liczbowej. [eduexe-source]7:8[/eduexe-source]

[student_1130_vao]

Na podstawie moich błędnych, częściowo poprawnych lub pominiętych odpowiedzi wskaż, co powinienem/powinnam powtórzyć. Wyjaśnij to krok po kroku, ale nie podawaj gotowych odpowiedzi do zadań.

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Na podstawie Twoich postępów, warto powtórzyć materiał dotyczący danych w procesie uczenia maszynowego oraz problemów z nimi związanych.

Krok 1: Przejrzyj slajdy omawiające nietypowe przypadki testowe, nierówną liczebność klas i dane spoza klas w komponencie 'B1 - Dane w procesie uczenia'. [eduexe-source]11:2[/eduexe-source][eduexe-source]11:4[/eduexe-source][eduexe-source]11:5[/eduexe-source]
Krok 2: Dodatkowo, utrwal wiedzę w komponencie 'B3 - Dane w UM - dodatkowe przykłady', który zawiera szczegółowe omówienie problemów z danymi. [eduexe-source]14:1[/eduexe-source]
Skup się na rozumieniu, jakie cechy powinien mieć dobry zbiór danych do uczenia modelu.

[student_1130_vao]

Omów proszę dokładnie moje wyniki z testu początkowego

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
W teście początkowym uzyskałeś/aś 8 z 10 możliwych punktów [eduexe-source]1:1[/eduexe-source].

Poprawnie odpowiedziałeś/aś na pytania dotyczące:

• przykładów problemów klasyfikacji.
• metryk wykorzystywanych do oceny modeli w problemach klasyfikacji.
• prawdziwych zdań odnoszących się do procesu uczenia w problemie klasyfikacji.
• przykładów algorytmów uczenia nienadzorowanego.

Jedynym pytaniem, na które odpowiedziałeś/aś niepoprawnie, było to dotyczące fałszywych zdań odnoszących się do zbioru danych w procesie uczenia. Zaznaczyłeś/aś jedno fałszywe zdanie, ale pominąłeś/aś drugie.