<![CDATA[conversation_by_5gw]]>Topic created

]]>https://forum.eduexe.com/topic/280/conversation_by_5gwRSS for NodeSat, 06 Jun 2026 02:13:32 GMTTue, 02 Jun 2026 10:56:15 GMT60<![CDATA[Reply to conversation_by_5gw on Tue, 02 Jun 2026 11:47:27 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Precyzja to stosunek poprawnie sklasyfikowanych przypadków pozytywnych do wszystkich przypadków sklasyfikowanych jako pozytywne przez model. [eduexe-source]23:1[/eduexe-source] Czułość to stosunek poprawnie sklasyfikowanych przypadków pozytywnych do wszystkich rzeczywistych przypadków pozytywnych. [eduexe-source]24:1[/eduexe-source]

F-score łączy te metryki, ponieważ każda z nich ma swoje wady i zalety. Jest próbą stworzenia bardziej uniwersalnej metryki, która stanowi kompromis między precyzją a czułością, obliczaną jako ich średnia harmoniczna. [eduexe-source]25:1[/eduexe-source][eduexe-source]25:2[/eduexe-source][eduexe-source]25:3[/eduexe-source]

]]>https://forum.eduexe.com/post/4812https://forum.eduexe.com/post/4812Tue, 02 Jun 2026 11:47:27 GMT<![CDATA[Reply to conversation_by_5gw on Tue, 02 Jun 2026 11:47:19 GMT]]>Czym różni się precyzja od czułości i dlaczego F-score łączy obie te metryki?

]]>https://forum.eduexe.com/post/4811https://forum.eduexe.com/post/4811Tue, 02 Jun 2026 11:47:19 GMT<![CDATA[Reply to conversation_by_5gw on Tue, 02 Jun 2026 11:42:17 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Wysoka dokładność modelu może być myląca, gdy jedna klasa występuje znacznie częściej niż druga (np. rzadka choroba). Model może wtedy nauczyć się zawsze klasyfikować obiekty do klasy dominującej, ignorując mniejszą klasę. W efekcie, choć ogólna dokładność będzie wysoka (bo większość przykładów należy do klasy dominującej i jest poprawnie klasyfikowana), model będzie bezużyteczny dla klasy rzadkiej, np. nie wykryje chorych. [eduexe-source]22:6[/eduexe-source]

]]>https://forum.eduexe.com/post/4810https://forum.eduexe.com/post/4810Tue, 02 Jun 2026 11:42:17 GMT<![CDATA[Reply to conversation_by_5gw on Tue, 02 Jun 2026 11:42:10 GMT]]>Dlaczego model z bardzo wysoką dokładnością może mimo wszystko być słaby, jeśli jedna klasa występuje dużo częściej niż druga?

]]>https://forum.eduexe.com/post/4809https://forum.eduexe.com/post/4809Tue, 02 Jun 2026 11:42:10 GMT<![CDATA[Reply to conversation_by_5gw on Tue, 02 Jun 2026 11:26:10 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Epoka (ang. epoch) to pojedyncze przejście modelu w czasie trenowania przez wszystkie przykłady ze zbioru uczącego. Wsad (ang. batch) to porcja przykładów, którą model przetwarza jednocześnie w pojedynczej iteracji.

Zbyt mała liczba epok może pogorszyć działanie modelu, ponieważ jest to zazwyczaj za mało, by model porządnie się nauczył, co prowadzi do niedouczenia (underfitting), czyli sytuacji, w której model nie wykrywa prawidłowości w danych. [eduexe-source]16:3[/eduexe-source][eduexe-source]16:5[/eduexe-source][eduexe-source]16:4[/eduexe-source][eduexe-source]17:6[/eduexe-source]

]]>https://forum.eduexe.com/post/4803https://forum.eduexe.com/post/4803Tue, 02 Jun 2026 11:26:10 GMT<![CDATA[Reply to conversation_by_5gw on Tue, 02 Jun 2026 11:26:04 GMT]]>Czym różni się epoka od wsadu w trenowaniu modelu i dlaczego zbyt mała liczba epok może pogorszyć działanie modelu?

]]>https://forum.eduexe.com/post/4802https://forum.eduexe.com/post/4802Tue, 02 Jun 2026 11:26:04 GMT<![CDATA[Reply to conversation_by_5gw on Tue, 02 Jun 2026 11:19:03 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
"Dane spoza klas" to obiekty, których model nie widział podczas treningu i dla których nie ma zdefiniowanej klasy. Model nie wie, że taka kategoria w ogóle istnieje i będzie próbował przypisać je do jednej z poznanych klas, często błędnie (np. samochód oceniony jako pies). Naprawić to można, dodając nową klasę dla tych danych i dostarczając odpowiednie przykłady. [eduexe-source]11:5[/eduexe-source][eduexe-source]14:4[/eduexe-source]

"Przypadek graniczny między klasami" to obiekt, który ma cechy wspólne dla kilku istniejących klas, co czyni go trudnym do jednoznacznej klasyfikacji (np. "kot-wilkołak" wyglądający jak pies). Aby naprawić ten problem, można:

  1. Dodać więcej podobnych przypadków granicznych do prawidłowej klasy.
  2. Stworzyć dodatkową, pośrednią klasę dla takich niejednoznacznych przypadków. [eduexe-source]12:3[/eduexe-source][eduexe-source]14:6[/eduexe-source]
]]>https://forum.eduexe.com/post/4793https://forum.eduexe.com/post/4793Tue, 02 Jun 2026 11:19:03 GMT<![CDATA[Reply to conversation_by_5gw on Tue, 02 Jun 2026 11:18:55 GMT]]>Czym różnią się „dane spoza klas” od „przypadku granicznego między klasami” i jak można naprawić każdy z tych problemów?

]]>https://forum.eduexe.com/post/4792https://forum.eduexe.com/post/4792Tue, 02 Jun 2026 11:18:55 GMT<![CDATA[Reply to conversation_by_5gw on Tue, 02 Jun 2026 11:10:36 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Model uczy się na podstawie dostarczonych danych. Jeśli w danych treningowych jest za mało podobnych przykładów danego obiektu, model nie ma wystarczająco "doświadczenia", by nauczyć się go prawidłowo rozpoznawać. Może je zignorować lub błędnie przypisać do innej, lepiej reprezentowanej klasy. [eduexe-source]11:3[/eduexe-source][eduexe-source]14:5[/eduexe-source]

]]>https://forum.eduexe.com/post/4787https://forum.eduexe.com/post/4787Tue, 02 Jun 2026 11:10:36 GMT<![CDATA[Reply to conversation_by_5gw on Tue, 02 Jun 2026 11:10:28 GMT]]>Możesz zadać takie pytanie: Dlaczego model uczenia maszynowego może błędnie rozpoznać obiekt, jeśli w danych uczących było za mało podobnych przykładów?

]]>https://forum.eduexe.com/post/4786https://forum.eduexe.com/post/4786Tue, 02 Jun 2026 11:10:28 GMT<![CDATA[Reply to conversation_by_5gw on Tue, 02 Jun 2026 10:58:41 GMT]]>[eduexe-intent]other[/eduexe-intent]
Różnica jest prosta:

  • Klasyfikacja to przypisywanie obiektu do jednej z zdefiniowanych kategorii (klas). Odpowiedzią jest kategoria.
    • Przykład: Model decyduje, czy na zdjęciu jest pies, czy kot. [eduexe-source]7:8[/eduexe-source]
  • Predykcja (lub regresja) to przewidywanie konkretnej wartości liczbowej. Odpowiedzią jest liczba.
    • Przykład: Model przewiduje cenę mieszkania na podstawie jego metrażu i lokalizacji. [eduexe-source]7:8[/eduexe-source]

W kursie skupiamy się głównie na zadaniach klasyfikacji. [eduexe-source]7:8[/eduexe-source]

]]>https://forum.eduexe.com/post/4785https://forum.eduexe.com/post/4785Tue, 02 Jun 2026 10:58:41 GMT<![CDATA[Reply to conversation_by_5gw on Tue, 02 Jun 2026 10:58:36 GMT]]>Skąd wiadomo, czy dany problem jest zadaniem klasyfikacji czy predykcji? Możesz podać prosty przykład? ]]>https://forum.eduexe.com/post/4784https://forum.eduexe.com/post/4784Tue, 02 Jun 2026 10:58:36 GMT<![CDATA[Reply to conversation_by_5gw on Tue, 02 Jun 2026 10:57:00 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Główna różnica polega na tym, że w uczeniu maszynowym algorytmy uczą się z danych i budują model, który sam podejmuje decyzje, zamiast wykonywać instrukcje zaprogramowane krok po kroku przez człowieka. [eduexe-source]7:1[/eduexe-source]

]]>https://forum.eduexe.com/post/4781https://forum.eduexe.com/post/4781Tue, 02 Jun 2026 10:57:00 GMT<![CDATA[Reply to conversation_by_5gw on Tue, 02 Jun 2026 10:56:55 GMT]]>Czy możesz wyjaśnić prostymi słowami, czym różni się uczenie maszynowe od zwykłego programu napisanego przez człowieka? ]]>https://forum.eduexe.com/post/4780https://forum.eduexe.com/post/4780Tue, 02 Jun 2026 10:56:55 GMT<![CDATA[Reply to conversation_by_5gw on Tue, 02 Jun 2026 10:56:35 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
W aktualnej części kursu, czyli we Wprowadzeniu do Uczenia Maszynowego, najważniejsze pojęcia to:

  • Uczenie Maszynowe (UM/ML): Dziedzina Sztucznej Inteligencji, gdzie algorytmy uczą się z danych i poprawiają swoje działanie, zamiast być programowanymi krok po kroku.
  • Dane: Informacje, na których model się uczy i jest testowany.
  • Model: Matematyczny opis problemu, który powstaje w wyniku uczenia się na danych.
  • Algorytm: Zbiór reguł używanych do uczenia modelu.
  • Funkcja straty: Mierzy, jak dobrze działa model; im niższa, tym lepiej.
  • Optymalizacja: Proces dostosowywania modelu, by minimalizować funkcję straty.
    [eduexe-source]7:1[/eduexe-source]
]]>https://forum.eduexe.com/post/4779https://forum.eduexe.com/post/4779Tue, 02 Jun 2026 10:56:35 GMT<![CDATA[Reply to conversation_by_5gw on Tue, 02 Jun 2026 10:56:25 GMT]]>Wyjaśnij mi najważniejsze pojęcia z aktualnej części kursu prostym językiem. Odwołuj się do materiałów kursu.

]]>https://forum.eduexe.com/post/4778https://forum.eduexe.com/post/4778Tue, 02 Jun 2026 10:56:25 GMT