conversation_by_3ql

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Kurs omawia uczenie nienadzorowane jako jedną z kategorii uczenia maszynowego, gdzie model odkrywa wzorce i zależności w danych bez dostępu do "prawidłowych odpowiedzi". Wskazuje również, że budowanie złożonych modeli językowych (takich jak ChatGPT) jest zastosowaniem uczenia maszynowego. Jednakże, dostarczona treść kursu nie zawiera informacji, czy LLMy mogą być tworzone konkretnie przez uczenie nienadzorowane, a dalsza część kursu skupia się wyłącznie na uczeniu nadzorowanym. [eduexe-source]7:1[/eduexe-source][eduexe-source]7:6[/eduexe-source]

[student_1137_3ql]

Na podstawie aktualnej części kursu i moich postępów zadaj mi 2-3 krótkie pytania kontrolne. Nie podawaj od razu odpowiedzi; najpierw sprawdź moje rozumienie.

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Jasne, oto 2-3 krótkie pytania kontrolne na podstawie dotychczasowej części kursu i Twoich postępów:

1. Jaka jest główna różnica między uczeniem maszynowym a tradycyjnym programowaniem, jeśli chodzi o sposób dochodzenia do rozwiązania problemu? [eduexe-source]7:1[/eduexe-source]
2. Masz duży zbiór danych o klientach i chcesz pogrupować ich na segmenty o podobnych zachowaniach zakupowych, nie mając z góry zdefiniowanych tych segmentów. Jaki rodzaj uczenia maszynowego byłby najbardziej odpowiedni do tego zadania? [eduexe-source]7:6[/eduexe-source]
3. Czy przewidywanie, czy wiadomość e-mail jest spamem, czy nie, jest problemem klasyfikacji, czy predykcji? [eduexe-source]7:8[/eduexe-source]

[student_1137_3ql]

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Rozumiem, że odnosisz się do pierwszego pytania kontrolnego, dotyczącego różnicy między uczeniem maszynowym a tradycyjnym programowaniem. Twoja odpowiedź "1)" jest zbyt ogólna. Czy mógłbyś rozwinąć swoją myśl?

[student_1137_3ql]

1. Algorytm nie jest tworzony przez programistę, a jest budowany na podstawie dostarczonych mu danych

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Twoja odpowiedź jest poprawna. W uczeniu maszynowym algorytm buduje model na podstawie danych, ucząc się z nich, zamiast być wprost zaprogramowanym do konkretnego celu przez człowieka. [eduexe-source]7:1[/eduexe-source]

Czy chcesz odpowiedzieć na kolejne pytanie, czy masz inne pytania?

[student_1137_3ql]

2. Uczenie nienadzorowane

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Twoja odpowiedź jest poprawna. Zadanie grupowania klientów na segmenty o podobnych zachowaniach zakupowych, bez z góry zdefiniowanych segmentów, jest typowym przykładem problemu klasteryzacji, który jest podstawowym zastosowaniem uczenia nienadzorowanego. [eduexe-source]7:6[/eduexe-source]

Czy chcesz odpowiedzieć na kolejne pytanie, czy masz inne pytania?

[student_1137_3ql]

3. Problem predykcji

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Odpowiedź "Problem predykcji" jest niepoprawna. Przewidywanie, czy wiadomość e-mail jest spamem, czy nie, to problem klasyfikacji, ponieważ polega na przypisywaniu obiektu (wiadomości e-mail) do jednej z określonych klas (spam lub nie-spam), a nie na przewidywaniu wartości liczbowej. [eduexe-source]7:8[/eduexe-source]

[student_1137_3ql]

Okej, dziękuję

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Nie ma za co. Cieszę się, że mogłem pomóc.

Czy masz jakieś inne pytania, czy może chcesz przejść do kolejnej części kursu?

[student_1137_3ql]

Na podstawie aktualnej części kursu i moich postępów zadaj mi 2-3 krótkie pytania kontrolne. Nie podawaj od razu odpowiedzi; najpierw sprawdź moje rozumienie.

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Jasne, oto 3 krótkie pytania kontrolne na podstawie dotychczasowej części kursu i Twoich postępów, skupiające się na problemach z danymi:

1. Jaki problem z danymi występuje, gdy model do rozpoznawania zwierząt, trenowany tylko na zdjęciach psów i kotów, błędnie klasyfikuje zdjęcia samochodów jako psy? [eduexe-source]11:5[/eduexe-source]
2. Masz zbiór danych do klasyfikacji, w którym jedna klasa ma 1000 przykładów, a druga tylko 5. Jaki problem z danymi to może powodować w procesie uczenia maszynowego? [eduexe-source]11:4[/eduexe-source]
3. Model do klasyfikacji obrazów ma trudności z rozróżnianiem dwóch bardzo podobnych obiektów, które w rzeczywistości są różnymi klasami, ale wizualnie są do siebie zbliżone. Jak określamy ten rodzaj problemu z danymi? [eduexe-source]11:2[/eduexe-source]

[student_1137_3ql]

1. Model bedzie probowac przypisac samochod do jednej z dwoch mozliwych klas

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Twoja odpowiedź jest poprawna. Model, który został wytrenowany tylko na zdjęciach psów i kotów, nie zna kategorii "samochód". W takiej sytuacji będzie próbował przypisać samochód do jednej z dwóch znanych mu klas, czyli psa lub kota, ponieważ nie ma innej opcji. Taki problem nazywamy "danymi spoza klas". [eduexe-source]11:5[/eduexe-source]

Chcesz odpowiedzieć na kolejne pytanie, czy masz inne pytania?

[student_1137_3ql]

2. Klasa ktora ma mniej przykladow moze byc wybierana rzadziej niz powinna

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Twoja odpowiedź jest poprawna. Problem, w którym jedna klasa ma znacznie mniej przykładów niż inna, nazywamy nierówną liczebnością klas. W takiej sytuacji model może faktycznie radzić sobie gorzej z rozpoznawaniem mniej licznej klasy lub wręcz ją ignorować, co prowadzi do tego, że będzie ona wybierana rzadziej niż powinna. [eduexe-source]11:4[/eduexe-source][eduexe-source]14:2[/eduexe-source]

Czy chcesz odpowiedzieć na kolejne pytanie, czy masz inne pytania?

[student_1137_3ql]

3. Przypadek graniczny