<![CDATA[conversation_by_hrk]]>Topic created

]]>https://forum.eduexe.com/topic/283/conversation_by_hrkRSS for NodeSat, 06 Jun 2026 00:11:58 GMTTue, 02 Jun 2026 18:18:56 GMT60<![CDATA[Reply to conversation_by_hrk on Wed, 03 Jun 2026 19:00:47 GMT]]>[eduexe-intent]other[/eduexe-intent]
Nie ma jednej "najlepszej" metryki, ponieważ ich użyteczność zależy od konkretnego problemu i danych. Każda metryka ma swoje zastosowanie:

  • Dokładność (Accuracy): Uniwersalna, ale może być myląca przy nierównych klasach.
  • Precyzja (Precision): Ważna, gdy chcemy ograniczyć liczbę fałszywie pozytywnych przypadków (np. nie podawać leku zdrowej osobie).
  • Czułość (Recall): Kluczowa, gdy zależy nam na wykryciu jak największej liczby przypadków z danej klasy (np. wykrycie wszystkich chorych).
  • F-score: Stanowi kompromis między precyzją a czułością, dobry, gdy potrzebujemy zbalansowanej oceny.

Więcej na ten temat znajdziesz w kursie: [eduexe-source]26:4[/eduexe-source]

]]>https://forum.eduexe.com/post/4997https://forum.eduexe.com/post/4997Wed, 03 Jun 2026 19:00:47 GMT<![CDATA[Reply to conversation_by_hrk on Wed, 03 Jun 2026 19:00:39 GMT]]>jakie metryki sa najlepsze

]]>https://forum.eduexe.com/post/4996https://forum.eduexe.com/post/4996Wed, 03 Jun 2026 19:00:39 GMT<![CDATA[Reply to conversation_by_hrk on Wed, 03 Jun 2026 19:00:17 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Metrykami w kontekście Uczenia Maszynowego określamy miary oceny wytrenowanych modeli. Jest to funkcja, która przyjmując model, zwraca wartość pozwalającą porównać go z innymi modelami. Dla omawianych metryk, im wyższa wartość, tym wyższa ocena modelu. [eduexe-source]21:1[/eduexe-source]

]]>https://forum.eduexe.com/post/4995https://forum.eduexe.com/post/4995Wed, 03 Jun 2026 19:00:17 GMT<![CDATA[Reply to conversation_by_hrk on Wed, 03 Jun 2026 19:00:12 GMT]]>co to sa metryki

]]>https://forum.eduexe.com/post/4994https://forum.eduexe.com/post/4994Wed, 03 Jun 2026 19:00:12 GMT<![CDATA[Reply to conversation_by_hrk on Wed, 03 Jun 2026 18:38:26 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Wielkość wsadu (ang. batch size) wpływa na kilka aspektów trenowania modelu. Większy wsad wymaga więcej zasobów obliczeniowych, ale może skrócić liczbę potrzebnych epok do osiągnięcia zadowalających efektów uczenia się. Z kolei mniejszy wsad oznacza mniejsze obciążenie zasobów (zwłaszcza pamięci), jednak do uzyskania oczekiwanych rezultatów potrzeba wtedy więcej epok. [eduexe-source]16:5[/eduexe-source]

]]>https://forum.eduexe.com/post/4980https://forum.eduexe.com/post/4980Wed, 03 Jun 2026 18:38:26 GMT<![CDATA[Reply to conversation_by_hrk on Wed, 03 Jun 2026 18:38:18 GMT]]>jakie roznice wynikają z róznej wielkości wsadu

]]>https://forum.eduexe.com/post/4979https://forum.eduexe.com/post/4979Wed, 03 Jun 2026 18:38:18 GMT<![CDATA[Reply to conversation_by_hrk on Wed, 03 Jun 2026 18:37:21 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Wielkość wsadu (ang. batch size) to liczba przykładów, jaką model otrzymuje na raz do trenowania w pojedynczej iteracji. Nie ma jednej "najlepszej" wartości; zależy ona od dostępnych zasobów obliczeniowych i pożądanych efektów. Większy wsad wymaga więcej zasobów, ale może skrócić liczbę potrzebnych epok. Mniejszy wsad oznacza mniejsze obciążenie zasobów, ale może wymagać więcej epok. [eduexe-source]16:5[/eduexe-source]

]]>https://forum.eduexe.com/post/4978https://forum.eduexe.com/post/4978Wed, 03 Jun 2026 18:37:21 GMT<![CDATA[Reply to conversation_by_hrk on Wed, 03 Jun 2026 18:37:13 GMT]]>jak najlpeij okreslic wielkosc wsadu

]]>https://forum.eduexe.com/post/4977https://forum.eduexe.com/post/4977Wed, 03 Jun 2026 18:37:13 GMT<![CDATA[Reply to conversation_by_hrk on Wed, 03 Jun 2026 18:21:07 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Aby naprawić przypadki graniczne, możesz zastosować dwie metody:

  1. Znaleźć więcej podobnych przypadków i dołączyć je do odpowiedniej klasy. Musi być ich jednak wystarczająco dużo, aby model mógł się na nich skutecznie uczyć.
  2. Utworzyć dodatkową klasę pośrednią (np. "Niejednoznaczne") i umieścić w niej wszystkie trudne przypadki graniczne. [eduexe-source]12:3[/eduexe-source][eduexe-source]14:6[/eduexe-source]
]]>https://forum.eduexe.com/post/4976https://forum.eduexe.com/post/4976Wed, 03 Jun 2026 18:21:07 GMT<![CDATA[Reply to conversation_by_hrk on Wed, 03 Jun 2026 18:21:00 GMT]]>jak naprawiac przypadki graniczne?

]]>https://forum.eduexe.com/post/4975https://forum.eduexe.com/post/4975Wed, 03 Jun 2026 18:21:00 GMT<![CDATA[Reply to conversation_by_hrk on Wed, 03 Jun 2026 18:19:11 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Ważne jest, aby wszystkie klasy w zbiorze uczącym miały podobną liczbę reprezentantów. Jeśli liczebność klas jest nierówna, szczególnie gdy jedna klasa ma znacząco mniej przykładów, model może ją zignorować i gorzej radzić sobie z jej rozpoznawaniem. Na przykład, klasa z tylko jednym przykładem prawdopodobnie nie zostanie skutecznie nauczona przez model. Chociaż klasy nie muszą mieć dokładnie tej samej liczby przykładów, duża rozbieżność może prowadzić do problemów. [eduexe-source]11:4[/eduexe-source][eduexe-source]14:2[/eduexe-source][eduexe-source]22:6[/eduexe-source]

]]>https://forum.eduexe.com/post/4974https://forum.eduexe.com/post/4974Wed, 03 Jun 2026 18:19:11 GMT<![CDATA[Reply to conversation_by_hrk on Wed, 03 Jun 2026 18:19:03 GMT]]>jak mam dane do uczniea to jakie roznice liczebnosci kald moga byc, czy zawsze kalsy musa miec tyle samo przykladów

]]>https://forum.eduexe.com/post/4973https://forum.eduexe.com/post/4973Wed, 03 Jun 2026 18:19:03 GMT<![CDATA[Reply to conversation_by_hrk on Wed, 03 Jun 2026 17:59:45 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Przykładem uczenia nadzorowanego, na którym skupia się kurs, jest klasyfikacja obrazów. Możesz stworzyć model w Google Teachable Machine, który nauczy się rozróżniać psy od kotów. W tym celu ładujesz zdjęcia psów i kotów, oznaczając je jako 'Pies' lub 'Kot' [eduexe-source]8:4[/eduexe-source]. Następnie model trenuje się na tych danych [eduexe-source]8:5[/eduexe-source], a po treningu potrafi ocenić nowe zdjęcie, czy przedstawia psa, czy kota [eduexe-source]8:6[/eduexe-source].

]]>https://forum.eduexe.com/post/4970https://forum.eduexe.com/post/4970Wed, 03 Jun 2026 17:59:45 GMT<![CDATA[Reply to conversation_by_hrk on Wed, 03 Jun 2026 17:59:37 GMT]]>Podaj krótki przykład, który pomoże mi lepiej zrozumieć aktualny temat kursu.

]]>https://forum.eduexe.com/post/4969https://forum.eduexe.com/post/4969Wed, 03 Jun 2026 17:59:37 GMT<![CDATA[Reply to conversation_by_hrk on Wed, 03 Jun 2026 17:58:29 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Uczenie przez wzmacnianie (ang. reinforcement learning) to metoda, w której model uczy się poprzez interakcje ze środowiskiem, wykorzystując system kar i nagród. W niniejszym kursie skupiamy się jednak wyłącznie na uczeniu nadzorowanym i nie omawiamy tej metody szczegółowo. [eduexe-source]7:6[/eduexe-source]

]]>https://forum.eduexe.com/post/4966https://forum.eduexe.com/post/4966Wed, 03 Jun 2026 17:58:29 GMT<![CDATA[Reply to conversation_by_hrk on Wed, 03 Jun 2026 17:58:24 GMT]]>a możesz jakoś poszerzyć temat?

]]>https://forum.eduexe.com/post/4965https://forum.eduexe.com/post/4965Wed, 03 Jun 2026 17:58:24 GMT<![CDATA[Reply to conversation_by_hrk on Wed, 03 Jun 2026 17:57:18 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Uczenie przez wzmacnianie (ang. reinforcement learning) to metoda, w której model uczy się poprzez interakcje ze środowiskiem, wykorzystując system kar i nagród. W niniejszym kursie skupiamy się jednak wyłącznie na uczeniu nadzorowanym i nie omawiamy tej metody szczegółowo. [eduexe-source]7:6[/eduexe-source]

]]>https://forum.eduexe.com/post/4962https://forum.eduexe.com/post/4962Wed, 03 Jun 2026 17:57:18 GMT<![CDATA[Reply to conversation_by_hrk on Wed, 03 Jun 2026 17:57:13 GMT]]>Wyjaśnij mi dokladniej uczneie przez wzmocnienie w uczeniu maszynowym

]]>https://forum.eduexe.com/post/4961https://forum.eduexe.com/post/4961Wed, 03 Jun 2026 17:57:13 GMT