<![CDATA[conversation_by_ntl]]>Topic created

]]>https://forum.eduexe.com/topic/281/conversation_by_ntlRSS for NodeSat, 06 Jun 2026 03:11:01 GMTTue, 02 Jun 2026 11:39:47 GMT60<![CDATA[Reply to conversation_by_ntl on Tue, 02 Jun 2026 13:44:46 GMT]]>[eduexe-intent]other[/eduexe-intent]
Cieszę się, że moje odpowiedzi są pomocne!

Czy masz jeszcze jakieś pytania dotyczące precyzji, czułości, czy innych metryk, czy może chciałbyś/chciałabyś kontynuować kurs?

]]>https://forum.eduexe.com/post/4881https://forum.eduexe.com/post/4881Tue, 02 Jun 2026 13:44:46 GMT<![CDATA[Reply to conversation_by_ntl on Tue, 02 Jun 2026 13:44:41 GMT]]>Dobre odpowiedzi!

]]>https://forum.eduexe.com/post/4880https://forum.eduexe.com/post/4880Tue, 02 Jun 2026 13:44:41 GMT<![CDATA[Reply to conversation_by_ntl on Tue, 02 Jun 2026 13:43:24 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Precyzja (Precision) to stosunek poprawnie sklasyfikowanych przypadków pozytywnych do wszystkich przypadków sklasyfikowanych przez model jako pozytywne. Jest kluczowa, gdy celem jest ograniczenie fałszywie pozytywnych wyników.

Czułość (Recall) to stosunek poprawnie sklasyfikowanych przypadków pozytywnych do wszystkich rzeczywistych przypadków pozytywnych. Mówi, jaki procent wszystkich pozytywnych przypadków wykrywa model i jest ważna, gdy zależy nam na wykryciu jak największej liczby przykładów z jednej klasy, minimalizując fałszywie negatywne wyniki. [eduexe-source]29:2[/eduexe-source][eduexe-source]26:4[/eduexe-source]

]]>https://forum.eduexe.com/post/4879https://forum.eduexe.com/post/4879Tue, 02 Jun 2026 13:43:24 GMT<![CDATA[Reply to conversation_by_ntl on Tue, 02 Jun 2026 13:43:17 GMT]]>A precision vs Recall?

]]>https://forum.eduexe.com/post/4878https://forum.eduexe.com/post/4878Tue, 02 Jun 2026 13:43:17 GMT<![CDATA[Reply to conversation_by_ntl on Tue, 02 Jun 2026 13:42:42 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Dokładność (Accuracy) to stosunek poprawnie zaklasyfikowanych przykładów testowych do wszystkich przykładów testowych. Precyzja (Precision) to stosunek poprawnie sklasyfikowanych diagnoz pozytywnych do liczby wszystkich przypadków sklasyfikowanych przez model jako pozytywne. Accuracy jest podstawową metryką, ale może być myląca przy nierównej liczebności klas, gdzie Precision często lepiej odzwierciedla działanie modelu, zwłaszcza gdy celem jest ograniczenie fałszywie pozytywnych wyników. [eduexe-source]22:1[/eduexe-source][eduexe-source]23:1[/eduexe-source][eduexe-source]22:6[/eduexe-source][eduexe-source]23:4[/eduexe-source][eduexe-source]26:4[/eduexe-source]

]]>https://forum.eduexe.com/post/4877https://forum.eduexe.com/post/4877Tue, 02 Jun 2026 13:42:42 GMT<![CDATA[Reply to conversation_by_ntl on Tue, 02 Jun 2026 13:42:34 GMT]]>Jak się ma metryka Accuracy do Precision?

]]>https://forum.eduexe.com/post/4876https://forum.eduexe.com/post/4876Tue, 02 Jun 2026 13:42:34 GMT<![CDATA[Reply to conversation_by_ntl on Tue, 02 Jun 2026 12:31:01 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Niedouczenie (niedopasowanie modelu, ang. underfitting) to zjawisko, w którym model jest zbyt prosty, aby skutecznie poradzić sobie z danymi ze zbioru uczącego. Oznacza to, że model nie zdołał wykryć prawidłowości w danych, na podstawie których mógłby dokonywać trafnych klasyfikacji. [eduexe-source]17:6[/eduexe-source]

]]>https://forum.eduexe.com/post/4822https://forum.eduexe.com/post/4822Tue, 02 Jun 2026 12:31:01 GMT<![CDATA[Reply to conversation_by_ntl on Tue, 02 Jun 2026 12:30:55 GMT]]>Zdefiniuj niedouczenie modeli

]]>https://forum.eduexe.com/post/4821https://forum.eduexe.com/post/4821Tue, 02 Jun 2026 12:30:55 GMT<![CDATA[Reply to conversation_by_ntl on Tue, 02 Jun 2026 12:30:44 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Przeuczenie (nadmierne dopasowanie, ang. overfitting) to zjawisko, w którym model za bardzo dostosowuje się do danych treningowych. W efekcie nie jest w stanie poprawnie radzić sobie z danymi testowymi, których nie widział w czasie uczenia się. [eduexe-source]17:4[/eduexe-source]

]]>https://forum.eduexe.com/post/4820https://forum.eduexe.com/post/4820Tue, 02 Jun 2026 12:30:44 GMT<![CDATA[Reply to conversation_by_ntl on Tue, 02 Jun 2026 12:30:38 GMT]]>Zdefiniuj przeuczenie modeli

]]>https://forum.eduexe.com/post/4819https://forum.eduexe.com/post/4819Tue, 02 Jun 2026 12:30:38 GMT<![CDATA[Reply to conversation_by_ntl on Tue, 02 Jun 2026 12:19:41 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Proporcje podziału zbioru treningowego i testowego zależą od kilku zasad: zbiór uczący powinien być znacząco większy od testowego, zbiór testowy musi być jakościowo reprezentatywny dla całości danych oraz musi być wystarczająco duży. W Google Teachable Machine dane są automatycznie dzielone w proporcji 85:15, ale w praktyce spotyka się też inne proporcje, np. 80:20 lub 90:10. [eduexe-source]15:7[/eduexe-source]

]]>https://forum.eduexe.com/post/4818https://forum.eduexe.com/post/4818Tue, 02 Jun 2026 12:19:41 GMT<![CDATA[Reply to conversation_by_ntl on Tue, 02 Jun 2026 12:19:32 GMT]]>Od czego zależą proporcje podziału zbioru treningowego i zbioru testowego?

]]>https://forum.eduexe.com/post/4817https://forum.eduexe.com/post/4817Tue, 02 Jun 2026 12:19:32 GMT<![CDATA[Reply to conversation_by_ntl on Tue, 02 Jun 2026 12:05:55 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Nawet jeśli dany przykład występuje w naturze rzadziej, liczebność jego klasy w zbiorze uczącym powinna być podobna do innych. W przeciwnym razie model może zignorować mniej liczną klasę, co prowadzi do słabego działania, nawet jeśli dokładność wydaje się wysoka. W kursie, na przykładzie rzadkiej choroby, wskazano, że model może klasyfikować wszystkie przypadki jako należące do klasy dominującej. [eduexe-source]11:4[/eduexe-source][eduexe-source]22:6[/eduexe-source]

]]>https://forum.eduexe.com/post/4816https://forum.eduexe.com/post/4816Tue, 02 Jun 2026 12:05:55 GMT<![CDATA[Reply to conversation_by_ntl on Tue, 02 Jun 2026 12:05:39 GMT]]>Czy jeśli dany przykład występuje w naturze rzadziej, to jego klasa w uczeniu maszynowym powinna być mniej liczna, czy nadal liczebność musi być podobna?

]]>https://forum.eduexe.com/post/4815https://forum.eduexe.com/post/4815Tue, 02 Jun 2026 12:05:39 GMT<![CDATA[Reply to conversation_by_ntl on Tue, 02 Jun 2026 12:04:58 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Tak, w klasyfikacji uczenia maszynowego jest bardzo ważne, aby liczebność klas w zbiorze uczącym była podobna. Jeśli klasy mają znacznie nierówną liczebność, model może zignorować mniej liczną klasę i klasyfikować wszystkie przykłady jako należące do klasy dominującej, co prowadzi do słabego działania modelu, mimo że metryka taka jak dokładność może wydawać się wysoka. [eduexe-source]11:4[/eduexe-source][eduexe-source]11:9[/eduexe-source][eduexe-source]14:5[/eduexe-source][eduexe-source]22:6[/eduexe-source][eduexe-source]22:7[/eduexe-source]

]]>https://forum.eduexe.com/post/4814https://forum.eduexe.com/post/4814Tue, 02 Jun 2026 12:04:58 GMT<![CDATA[Reply to conversation_by_ntl on Tue, 02 Jun 2026 12:04:47 GMT]]>Czy liczebność klas podczas klasyfikacji w uczeniu maszynowym zawsze musi być podobna?

]]>https://forum.eduexe.com/post/4813https://forum.eduexe.com/post/4813Tue, 02 Jun 2026 12:04:47 GMT<![CDATA[Reply to conversation_by_ntl on Tue, 02 Jun 2026 11:40:40 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Brak informacji w dostarczonym źródle.

]]>https://forum.eduexe.com/post/4808https://forum.eduexe.com/post/4808Tue, 02 Jun 2026 11:40:40 GMT<![CDATA[Reply to conversation_by_ntl on Tue, 02 Jun 2026 11:40:34 GMT]]>czym różni się uczenie maszynowe od uczenia głębokiego?

]]>https://forum.eduexe.com/post/4807https://forum.eduexe.com/post/4807Tue, 02 Jun 2026 11:40:34 GMT<![CDATA[Reply to conversation_by_ntl on Tue, 02 Jun 2026 11:40:03 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Aktualna część kursu (cały kurs) wprowadza do Uczenia Maszynowego (UM), obejmując jego definicję, podział i zastosowania, z praktyką w Google Teachable Machine. Najważniejsze rzeczy do zapamiętania to: zrozumienie roli danych i problemów z nimi związanych, kluczowych pojęć (zbiór uczący/testowy, epoka, przeuczenie, macierz pomyłek) oraz metryk oceny modeli (dokładność, precyzja, czułość, F-score). [eduexe-source]1:1[/eduexe-source]

]]>https://forum.eduexe.com/post/4806https://forum.eduexe.com/post/4806Tue, 02 Jun 2026 11:40:03 GMT<![CDATA[Reply to conversation_by_ntl on Tue, 02 Jun 2026 11:39:51 GMT]]>Podsumuj aktualną część kursu i wskaż najważniejsze rzeczy, które powinienem/powinnam zapamiętać.

]]>https://forum.eduexe.com/post/4805https://forum.eduexe.com/post/4805Tue, 02 Jun 2026 11:39:51 GMT