conversation_by_xcl

[student_1136_xcl]

Wyjaśnij mi najważniejsze pojęcia z aktualnej części kursu prostym językiem. Odwołuj się do materiałów kursu.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe (UM) to obszar Sztucznej Inteligencji (AI), gdzie algorytmy uczą się na danych, aby podejmować decyzje [eduexe-source]7:1[/eduexe-source]. Wyróżniamy: uczenie nadzorowane (z etykietami), nienadzorowane (szuka wzorców) i przez wzmacnianie (kary/nagrody) [eduexe-source]7:6[/eduexe-source]. Kurs skupia się na klasyfikacji (przypisywaniu obiektów do klas) [eduexe-source]7:8[/eduexe-source]. Google Teachable Machine (GTM) to narzędzie do tworzenia modeli UM bez kodowania [eduexe-source]8:1[/eduexe-source].

[student_1136_xcl]

Podaj krótki przykład, który pomoże mi lepiej zrozumieć aktualny temat kursu.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Wyobraź sobie, że chcesz nauczyć komputer odróżniać psy od kotów.

1. Uczenie nadzorowane: Dostarczasz modelowi wiele zdjęć psów oznaczonych jako "pies" i wiele zdjęć kotów oznaczonych jako "kot". Model uczy się na tych danych z etykietami. [eduexe-source]7:6[/eduexe-source]
2. Klasyfikacja: Celem jest, aby model potrafił przypisać nowe, nieznane zdjęcia do jednej z tych dwóch kategorii ("pies" lub "kot"). [eduexe-source]7:8[/eduexe-source]
3. Google Teachable Machine (GTM): Możesz to zrobić w GTM. Ładujesz zdjęcia psów do klasy "Pies" i kotów do klasy "Kot", a następnie trenujesz model. [eduexe-source]8:4[/eduexe-source][eduexe-source]8:5[/eduexe-source] Po treningu, model będzie "decyzjonował", czy na nowym zdjęciu jest pies, czy kot. [eduexe-source]8:6[/eduexe-source]

[student_1136_xcl]

Podsumuj aktualną część kursu i wskaż najważniejsze rzeczy, które powinienem/powinnam zapamiętać.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Aktualna część kursu wprowadziła Cię w podstawy Uczenia Maszynowego (UM) jako obszar AI, który uczy się na danych, by podejmować decyzje [7:1]. Ważne jest rozróżnienie typów uczenia (nadzorowane, nienadzorowane, przez wzmacnianie), z naciskiem na nadzorowane i klasyfikację [7:6][7:8]. Poznałeś/aś też Google Teachable Machine (GTM) jako narzędzie do tworzenia i testowania modeli UM bez kodowania [8:1]. Pamiętaj, że modele nie zawsze są w 100% pewne swoich decyzji [8:8].

[student_1136_xcl]

A w jakim elemencie jestem teraz?

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Aktualnie jesteś w elemencie kursu "B1 - Dane w procesie uczenia".

[student_1136_xcl]

No właśnie B1, to czemu podsumowujesz moduł A?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Masz rację, przepraszam za zamieszanie. Poprzednie podsumowania dotyczyły Modułu A ("Wprowadzenie do Uczenia Maszynowego"), ponieważ były one odpowiedzią na ogólne zapytania o "aktualną część kursu", a Moduł A był ostatnim, który był szczegółowo omawiany w naszej rozmowie.

Aktualnie znajdujesz się w elemencie kursu "B1 - Dane w procesie uczenia" [11:1]. Ten moduł koncentruje się na tym, jak ważny jest odpowiedni dobór i przygotowanie danych w procesie uczenia maszynowego. Czy chcesz, abym podsumował(a) ten moduł?