conversation_by_m2d

[bot_external]

[eduexe-intent]student_progress[/eduexe-intent]
Główna różnica między algorytmami Uczenia Maszynowego a tradycyjnym programowaniem polega na tym, że algorytmy UM automatycznie poprawiają się poprzez doświadczenie i ekspozycję na dane, budując model matematyczny, który podejmuje decyzje bez potrzeby bycia wprost zaprogramowanym do danego celu. [eduexe-source]7:1[/eduexe-source]

[student_1131_m2d]

Wyjaśnij aktualny temat kursu inaczej niż w materiale: prostszym językiem, z krótkim przykładem i jednym pytaniem sprawdzającym na końcu.

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe to sposób, w jaki komputer uczy się wykonywać zadania, nie będąc do nich bezpośrednio zaprogramowanym. Zamiast dostawać dokładne instrukcje, "uczy się" na podstawie wielu przykładów (danych) i sam znajduje wzorce, by podejmować decyzje lub prognozować rezultaty. [eduexe-source]7:1[/eduexe-source]

Przykład: Wyobraź sobie, że chcesz, by komputer odróżniał zdjęcia psów od kotów. Zamiast pisać szczegółowe reguły, jak wygląda każdy pies i kot, pokazujesz mu setki zdjęć psów (oznaczonych jako "pies") i kotów (oznaczonych jako "kot"). Komputer sam uczy się rozpoznawać cechy i potem, widząc nowe zdjęcie, sam decyduje, co to jest.

Pytanie: Czy w uczeniu maszynowym programista musi opisać każdą możliwą regułę, by komputer podjął decyzję?

[student_1131_m2d]

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_external]

[eduexe-intent]student_progress[/eduexe-intent]
Na podstawie Twoich błędnych i pominiętych odpowiedzi, powinieneś powtórzyć:

Krok 1: Moduł A1 - Wprowadzenie do Uczenia Maszynowego.
Skup się na definicji UM i AI, zastosowaniach, rodzajach (nadzorowane, nienadzorowane, przez wzmacnianie) i problemach (predykcja, klasyfikacja). Przejrzyj slajdy [eduexe-source]7:1[/eduexe-source] do [eduexe-source]7:9[/eduexe-source].

Krok 2: Zwróć uwagę na przyszłe moduły.
Pominąłeś pytania o metryki oceny modelu ([eduexe-source]21:1[/eduexe-source]), zjawisko przeuczenia ([eduexe-source]17:4[/eduexe-source]) i rolę danych ([eduexe-source]11:1[/eduexe-source]). Te tematy będą omawiane dalej.

[student_1131_m2d]

Wyjaśnij aktualny temat kursu inaczej niż w materiale: prostszym językiem, z krótkim przykładem i jednym pytaniem sprawdzającym na końcu.

[bot_external]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe to jak nauka dla komputera: zamiast mówić mu dokładnie, co ma robić w każdej sytuacji, pokazujesz mu mnóstwo przykładów. On sam, na ich podstawie, uczy się rozpoznawać wzorce i podejmować decyzje dla nowych danych.

Przykład: Chcesz, by komputer odróżniał spam od ważnych e-maili. Pokazujesz mu tysiące wiadomości, mówiąc, które to spam, a które nie. Komputer sam uczy się cech spamu i potrafi potem filtrować nowe e-maile.

Pytanie: Czy Uczenie Maszynowe wymaga od programisty ręcznego tworzenia każdej reguły decyzyjnej? [eduexe-source]7:1[/eduexe-source]

[student_1131_m2d]

nie, nie jest to wymagane

[bot_external]

[eduexe-intent]other[/eduexe-intent]
Zgadza się, masz rację! W Uczeniu Maszynowym programista nie musi ręcznie tworzyć każdej reguły decyzyjnej. Model uczy się ich sam na podstawie danych. [eduexe-source]7:1[/eduexe-source]

Czy chcesz, abym przeszedł do kolejnego tematu, czy masz jeszcze jakieś pytania dotyczące aktualnego?

[student_1131_m2d]

pochwal mnie co mi wyszło

[bot_external]

[eduexe-intent]student_progress[/eduexe-intent]
Świetnie Ci idzie! Poświęciłeś już 653 minuty na kurs, co pokazuje Twoje zaangażowanie. Szczególnie dobrze poradziłeś sobie z pytaniem o uczenie przez doświadczenie w komponencie A1 [eduexe-source]7:3[/eduexe-source] oraz poprawnie określiłeś pewność modelu w Google Teachable Machine w komponencie A2 [eduexe-source]8:7[/eduexe-source].