<![CDATA[conversation_by_lp2]]>Topic created

]]>https://forum.eduexe.com/topic/296/conversation_by_lp2RSS for NodeFri, 05 Jun 2026 23:53:18 GMTThu, 04 Jun 2026 18:47:32 GMT60<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 21:05:32 GMT]]>[eduexe-intent]student_progress[/eduexe-intent]
Twoje dotychczasowe postępy w kursie wyglądają następująco:

Wykonane:

  • Spędziłeś w kursie 84.3 minuty.
  • Zdobyłeś łącznie 25 punktów.
  • Ukończyłeś moduły: "A1 - Wprowadzenie do uczenia maszynowego", "A2 - Wprowadzenie do Google Teachable Machine" [eduexe-source]7:1[/eduexe-source][eduexe-source]8:1[/eduexe-source] oraz "C - Podstawowe pojęcia UM" [eduexe-source]15:1[/eduexe-source].
  • Pomyślnie zaliczyłeś test początkowy oraz test modułu "Wprowadzenie do UM" [eduexe-source]9:1[/eduexe-source] i test modułu "Podstawowe pojęcia UM" [eduexe-source]19:1[/eduexe-source].

Wymaga pracy:

  • Przerobiłeś materiały z modułu "B - Dane w procesie UM" [eduexe-source]11:1[/eduexe-source], ale musisz jeszcze wykonać test modułu "Dane w procesie UM" [eduexe-source]13:1[/eduexe-source].
  • Przerobiłeś materiały z modułu "D - Metryki" [eduexe-source]21:1[/eduexe-source], ale musisz jeszcze wykonać test modułu "Metryki" [eduexe-source]28:1[/eduexe-source].
  • Pozostał Ci również do wykonania test końcowy [eduexe-source]36:1[/eduexe-source].
]]>https://forum.eduexe.com/post/5322https://forum.eduexe.com/post/5322Thu, 04 Jun 2026 21:05:32 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 21:05:06 GMT]]>Podsumuj moje dotychczasowe postępy w kursie. Wskaż, co zostało wykonane, a co jeszcze wymaga pracy.

]]>https://forum.eduexe.com/post/5321https://forum.eduexe.com/post/5321Thu, 04 Jun 2026 21:05:06 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 21:04:31 GMT]]>[eduexe-intent]other[/eduexe-intent]
Nie ma jednej "najważniejszej" metryki. Wybór zależy od problemu i celu modelu.

  • Dokładność (Accuracy) jest uniwersalna, ale może być myląca przy nierównych klasach.
  • Precyzja (Precision) jest kluczowa, gdy ważne jest ograniczenie fałszywie pozytywnych wyników (np. nie chcemy błędnie diagnozować choroby).
  • Czułość (Recall) jest najważniejsza, gdy zależy nam na wykryciu jak największej liczby pozytywnych przypadków (np. wykrycie wszystkich chorych).
  • F-score to kompromis między precyzją a czułością.
    [eduexe-source]26:4[/eduexe-source]
]]>https://forum.eduexe.com/post/5320https://forum.eduexe.com/post/5320Thu, 04 Jun 2026 21:04:31 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 21:04:21 GMT]]>Która metryka jest najważniejsza

]]>https://forum.eduexe.com/post/5319https://forum.eduexe.com/post/5319Thu, 04 Jun 2026 21:04:21 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 20:55:44 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Dokładność modelu (Accuracy) oblicza się jako stosunek poprawnie zaklasyfikowanych przez model przykładów testowych do wszystkich przykładów testowych. Oznacza to sumę prawdziwie pozytywnych (TP) i prawdziwie negatywnych (TN) wyników, podzieloną przez sumę wszystkich przypadków w zbiorze testowym (TP + TN + FP + FN). [eduexe-source]22:1[/eduexe-source]

]]>https://forum.eduexe.com/post/5318https://forum.eduexe.com/post/5318Thu, 04 Jun 2026 20:55:44 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 20:55:37 GMT]]>Jak liczy się dokładność modelu

]]>https://forum.eduexe.com/post/5317https://forum.eduexe.com/post/5317Thu, 04 Jun 2026 20:55:37 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 20:53:57 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Macierz pomyłek (tablica pomyłek) to tabela, która pokazuje, jak model klasyfikuje przykłady ze zbioru testowego. Dla problemu z dwiema klasami dzieli się na cztery części:

  • Poprawnie zaklasyfikowane przykłady klasy 1.
  • Przykłady klasy 1 błędnie zaklasyfikowane jako klasa 2.
  • Przykłady klasy 2 błędnie zaklasyfikowane jako klasa 1.
  • Poprawnie zaklasyfikowane przykłady klasy 2.

Jeśli jest więcej klas, macierz będzie odpowiednio większa (np. 3x3 dla trzech klas). [eduexe-source]18:2[/eduexe-source]

]]>https://forum.eduexe.com/post/5316https://forum.eduexe.com/post/5316Thu, 04 Jun 2026 20:53:57 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 20:53:53 GMT]]>Jak wygladaja macierze pomyłek

]]>https://forum.eduexe.com/post/5315https://forum.eduexe.com/post/5315Thu, 04 Jun 2026 20:53:53 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 20:53:35 GMT]]>[eduexe-intent]other[/eduexe-intent]
Metryki w uczeniu maszynowym pozwalają nam ocenić jakość wytrenowanych modeli oraz porównywać je między sobą. Oblicza się je na podstawie macierzy pomyłek, która pokazuje, ile przykładów testowych zostało poprawnie lub błędnie sklasyfikowanych. [eduexe-source]21:1[/eduexe-source][eduexe-source]21:2[/eduexe-source]

]]>https://forum.eduexe.com/post/5314https://forum.eduexe.com/post/5314Thu, 04 Jun 2026 20:53:35 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 20:53:28 GMT]]>co pozwala nam obliczyć metryki

]]>https://forum.eduexe.com/post/5313https://forum.eduexe.com/post/5313Thu, 04 Jun 2026 20:53:28 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 20:45:56 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Idealny model, który nigdy się nie myli, miałby wartość funkcji straty na poziomie 0. Celem trenowania modelu jest minimalizowanie funkcji straty, więc im niższa jej wartość, tym lepszy model. [eduexe-source]17:2[/eduexe-source]

]]>https://forum.eduexe.com/post/5312https://forum.eduexe.com/post/5312Thu, 04 Jun 2026 20:45:56 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 20:45:51 GMT]]>Od jakiego poziomu wynik funkcji straty jest uznawany za dobry

]]>https://forum.eduexe.com/post/5311https://forum.eduexe.com/post/5311Thu, 04 Jun 2026 20:45:51 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 20:43:49 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Dzielenie całkowite 340 przez 16 wynosi 21.

]]>https://forum.eduexe.com/post/5310https://forum.eduexe.com/post/5310Thu, 04 Jun 2026 20:43:49 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 20:43:38 GMT]]>dzielenie całkowite 340 przez 16

]]>https://forum.eduexe.com/post/5309https://forum.eduexe.com/post/5309Thu, 04 Jun 2026 20:43:38 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 20:40:46 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe (UM) jest szeroko stosowane w praktyce, m.in. w:

  • rozpoznawaniu obrazów i dźwięków
  • analizie i klasyfikacji danych (np. rozpoznawanie chorób, przewidywanie trendów finansowych)
  • budowaniu złożonych modeli językowych (np. ChatGPT)
  • automatycznej nawigacji i sterowaniu (np. kierowanie pojazdami, roboty)
  • diagnostyce medycznej [eduexe-source]7:1[/eduexe-source][eduexe-source]7:4[/eduexe-source]
]]>https://forum.eduexe.com/post/5308https://forum.eduexe.com/post/5308Thu, 04 Jun 2026 20:40:46 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 20:40:41 GMT]]>Jakie są zastosowania uczenia maszynowego w praktyce?

]]>https://forum.eduexe.com/post/5307https://forum.eduexe.com/post/5307Thu, 04 Jun 2026 20:40:41 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 20:39:18 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
15% z 600 to 90. [eduexe-source]15:9[/eduexe-source]

]]>https://forum.eduexe.com/post/5306https://forum.eduexe.com/post/5306Thu, 04 Jun 2026 20:39:18 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 20:39:09 GMT]]>ile to 15% z 600

]]>https://forum.eduexe.com/post/5305https://forum.eduexe.com/post/5305Thu, 04 Jun 2026 20:39:09 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 20:37:39 GMT]]>[eduexe-intent]other[/eduexe-intent]
W Google Teachable Machine nie ma możliwości ręcznego wyboru zbioru testowego. Narzędzie automatycznie dzieli dane na zbiór uczący (85%) i testowy (15%), a proporcji tej nie można zmienić. [eduexe-source]15:7[/eduexe-source]

]]>https://forum.eduexe.com/post/5304https://forum.eduexe.com/post/5304Thu, 04 Jun 2026 20:37:39 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 20:37:31 GMT]]>czy w google teachable machine moge wybrać zbiór testowy?

]]>https://forum.eduexe.com/post/5303https://forum.eduexe.com/post/5303Thu, 04 Jun 2026 20:37:31 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 20:35:46 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Zbiór testowy służy do przetestowania modelu na przykładach, których nie widział w procesie uczenia się. Dzięki temu można ocenić, jak dobrze model radzi sobie z klasyfikacją nowych danych i na ile jest skuteczny, ponieważ nie zna z góry poprawnych odpowiedzi. [eduexe-source]15:3[/eduexe-source]

]]>https://forum.eduexe.com/post/5302https://forum.eduexe.com/post/5302Thu, 04 Jun 2026 20:35:46 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 20:35:40 GMT]]>Wyjaśnij mi do czego służy zbiór testowy?

]]>https://forum.eduexe.com/post/5301https://forum.eduexe.com/post/5301Thu, 04 Jun 2026 20:35:40 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 20:26:07 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Najważniejsze pojęcia z aktualnej części kursu (Moduł C: Podstawowe pojęcia UM) to:

  • Zbiór uczący i testowy: Dane dzielimy na uczące (do treningu) i testowe (do oceny nieznanych przykładów). [eduexe-source]20:1[/eduexe-source]
  • Funkcja straty: Mierzy błąd modelu, który ma być minimalizowany. [eduexe-source]20:1[/eduexe-source]
  • Przeuczenie: Model za dobrze uczy się danych treningowych, źle radzi sobie z nowymi. [eduexe-source]20:1[/eduexe-source]
  • Niedouczenie: Model jest zbyt prosty lub za mało wytrenowany. [eduexe-source]20:1[/eduexe-source]
  • Macierz pomyłek: Tabela pokazująca poprawne i błędne klasyfikacje modelu. [eduexe-source]20:1[/eduexe-source]
    Inne pojęcia to epoka, wsad i współczynnik uczenia się.
]]>https://forum.eduexe.com/post/5300https://forum.eduexe.com/post/5300Thu, 04 Jun 2026 20:26:07 GMT<![CDATA[Reply to conversation_by_lp2 on Thu, 04 Jun 2026 20:25:49 GMT]]>Podsumuj aktualną część kursu i wskaż najważniejsze rzeczy, które powinienem/powinnam zapamiętać.

]]>https://forum.eduexe.com/post/5299https://forum.eduexe.com/post/5299Thu, 04 Jun 2026 20:25:49 GMT