<![CDATA[conversation_by_cv6]]>Topic created

]]>https://forum.eduexe.com/topic/304/conversation_by_cv6RSS for NodeThu, 13 Aug 2026 18:25:32 GMTSat, 06 Jun 2026 14:05:19 GMT60<![CDATA[Reply to conversation_by_cv6 on Sat, 06 Jun 2026 15:48:13 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
F-score oblicza się jako średnią harmoniczną precyzji (precision) i czułości (recall). Oznacza to, że najpierw musisz obliczyć wartości precyzji i czułości dla danego modelu, a następnie podstawić je do odpowiedniego wzoru, aby uzyskać F-score. [eduexe-source]25:2[/eduexe-source]

]]>https://forum.eduexe.com/post/5427https://forum.eduexe.com/post/5427Sat, 06 Jun 2026 15:48:13 GMT<![CDATA[Reply to conversation_by_cv6 on Sat, 06 Jun 2026 15:48:09 GMT]]>jak się liczy f-score

]]>https://forum.eduexe.com/post/5426https://forum.eduexe.com/post/5426Sat, 06 Jun 2026 15:48:09 GMT<![CDATA[Reply to conversation_by_cv6 on Sat, 06 Jun 2026 15:47:15 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Nie mogę Ci podać konkretnych pytań, które pojawią się na teście końcowym, ponieważ kurs nie udostępnia ich treści. Test końcowy (komponent 35, slajd 3) ma na celu sprawdzenie Twoich umiejętności i wiedzy zdobytej w trakcie kursu.

Zgodnie z wcześniejszym podsumowaniem, test końcowy będzie obejmował najważniejsze pojęcia z kursu, takie jak:

  • Wprowadzenie do Uczenia Maszynowego: definicja, rodzaje i problemy.
  • Znaczenie danych i typowe problemy z nimi (np. nierówna liczebność, dane spoza klas).
  • Podstawowe pojęcia UM: zbiory uczący/testowy, epoka, wsad, współczynnik uczenia, funkcja straty, przeuczenie, niedouczenie, macierz pomyłek.
  • Metryki oceny modelu: dokładność, precyzja, czułość, F-score.
  • Praktyczne wykorzystanie narzędzia Google Teachable Machine.
]]>https://forum.eduexe.com/post/5425https://forum.eduexe.com/post/5425Sat, 06 Jun 2026 15:47:15 GMT<![CDATA[Reply to conversation_by_cv6 on Sat, 06 Jun 2026 15:47:08 GMT]]>czy możesz mi powiedzieć jakie pytania dostanę na teście końcowym?

]]>https://forum.eduexe.com/post/5424https://forum.eduexe.com/post/5424Sat, 06 Jun 2026 15:47:08 GMT<![CDATA[Reply to conversation_by_cv6 on Sat, 06 Jun 2026 15:45:34 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Precyzja (precision) mówi, jak wiele z pozytywnych predykcji modelu było faktycznie poprawnych (minimalizuje fałszywe pozytywy). Czułość (recall) natomiast określa, ile rzeczywistych pozytywnych przypadków model zdołał wykryć (minimalizuje fałszywe negatywy). Możesz myśleć o precyzji jako o trafności "tak" modelu, a o czułości jako o jego zdolności do "wychwytywania" wszystkich istotnych przypadków. [eduexe-source]23:1[/eduexe-source][eduexe-source]24:1[/eduexe-source][eduexe-source]26:4[/eduexe-source]

]]>https://forum.eduexe.com/post/5423https://forum.eduexe.com/post/5423Sat, 06 Jun 2026 15:45:34 GMT<![CDATA[Reply to conversation_by_cv6 on Sat, 06 Jun 2026 15:45:28 GMT]]>jak łatwo zapamiętać różnice między precyzją a czułością

]]>https://forum.eduexe.com/post/5422https://forum.eduexe.com/post/5422Sat, 06 Jun 2026 15:45:28 GMT<![CDATA[Reply to conversation_by_cv6 on Sat, 06 Jun 2026 15:43:54 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Do testu końcowego najważniejsze są:

  1. Wprowadzenie do UM: definicja, rodzaje i problemy [eduexe-source]7:1[/eduexe-source].
  2. Dane: ich znaczenie i typowe problemy (np. nierówna liczebność, spoza klas) [eduexe-source]11:1[/eduexe-source].
  3. Podstawowe pojęcia UM: zbiory uczący/testowy, epoka, wsad, współczynnik uczenia, funkcja straty, przeuczenie, niedouczenie, macierz pomyłek [eduexe-source]20:1[/eduexe-source].
  4. Metryki: dokładność, precyzja, czułość, F-score [eduexe-source]29:1[/eduexe-source].
    Pamiętaj też o praktycznym wykorzystaniu Google Teachable Machine [eduexe-source]8:1[/eduexe-source].
]]>https://forum.eduexe.com/post/5421https://forum.eduexe.com/post/5421Sat, 06 Jun 2026 15:43:54 GMT<![CDATA[Reply to conversation_by_cv6 on Sat, 06 Jun 2026 15:43:21 GMT]]>podsumuj najwazniejsze pojęcie do testu końcowego

]]>https://forum.eduexe.com/post/5420https://forum.eduexe.com/post/5420Sat, 06 Jun 2026 15:43:21 GMT<![CDATA[Reply to conversation_by_cv6 on Sat, 06 Jun 2026 15:41:52 GMT]]>[eduexe-intent]student_progress[/eduexe-intent]
W teście o podstawowych pojęciach uczenia maszynowego (komponent 19) niepoprawnie odpowiedziałeś na jedno pytanie:

Pytanie: "Pracujemy na modelu wczytanym do GTM z pliku "model_CT.tm". Z ilu wsadów dla wczytanego modelu będzie składać się pojedyncza epoka?"
Twoja odpowiedź: 13
Poprawna odpowiedź: 11

Zgodnie z materiałami kursu, jeśli zbiór uczący składa się ze 170 przykładów, a wielkość wsadu to 16, to potrzeba 11 wsadów na jedną epokę (10 wsadów po 16 przykładów i 1 wsad z pozostałymi 10 przykładami). [eduexe-source]16:5[/eduexe-source]

Wszystkie pozostałe pytania w tym teście zostały przez Ciebie rozwiązane poprawnie.

]]>https://forum.eduexe.com/post/5419https://forum.eduexe.com/post/5419Sat, 06 Jun 2026 15:41:52 GMT<![CDATA[Reply to conversation_by_cv6 on Sat, 06 Jun 2026 15:41:37 GMT]]>czy mozesz mi powiedziec co zrobilem źle w teście o podstawowych pojęciach uczenia maszynowego?

]]>https://forum.eduexe.com/post/5418https://forum.eduexe.com/post/5418Sat, 06 Jun 2026 15:41:37 GMT<![CDATA[Reply to conversation_by_cv6 on Sat, 06 Jun 2026 14:54:49 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Kurs wyjaśnia, że zwiększenie wielkości wsadu (batch size) pozwala osiągnąć zadowalające efekty uczenia się w mniejszej liczbie epok. Oznacza to, że model może efektywniej przetwarzać dane, co przekłada się na szybsze dojście do akceptowalnego poziomu nauki. Kurs nie precyzuje jednak, w jaki sposób większa wielkość wsadu bezpośrednio poprawia jakość samych wyników uczenia (np. wyższą dokładność), poza wspomnianą efektywnością. [eduexe-source]16:5[/eduexe-source]

]]>https://forum.eduexe.com/post/5411https://forum.eduexe.com/post/5411Sat, 06 Jun 2026 14:54:49 GMT<![CDATA[Reply to conversation_by_cv6 on Sat, 06 Jun 2026 14:54:33 GMT]]>Rozumiem czemu zwiększenie wielkosci wsadu przyspiesza trenowanie ale nie rozumiem jak poprawia wyniki uczenia.

]]>https://forum.eduexe.com/post/5410https://forum.eduexe.com/post/5410Sat, 06 Jun 2026 14:54:33 GMT<![CDATA[Reply to conversation_by_cv6 on Sat, 06 Jun 2026 14:48:16 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Wielkość wsadu (batch size) to liczba przykładów danych, które model przetwarza jednocześnie w jednej iteracji treningu. Epoka to jedno pełne przejście modelu przez cały zbiór uczący. Zwiększenie wielkości wsadu pozwala modelowi przetwarzać większe porcje danych naraz, co może skutkować szybszą konwergencją i osiągnięciem zadowalających efektów uczenia się w mniejszej liczbie epok, choć wymaga to więcej zasobów obliczeniowych. [eduexe-source]16:5[/eduexe-source][eduexe-source]16:3[/eduexe-source]

]]>https://forum.eduexe.com/post/5407https://forum.eduexe.com/post/5407Sat, 06 Jun 2026 14:48:16 GMT<![CDATA[Reply to conversation_by_cv6 on Sat, 06 Jun 2026 14:48:10 GMT]]>Wytłumacz dokładniej pojęcie wielkości wsadu, czemu zwększenie wielkosci wsadu pozwala uzyskac dobre wyniki przy mniejszej ilości epok

]]>https://forum.eduexe.com/post/5406https://forum.eduexe.com/post/5406Sat, 06 Jun 2026 14:48:10 GMT<![CDATA[Reply to conversation_by_cv6 on Sat, 06 Jun 2026 14:46:18 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
W początkowej części kursu poznajesz kluczowe pojęcia Uczenia Maszynowego (UM):

Uczenie Maszynowe (UM) to obszar Sztucznej Inteligencji, gdzie algorytmy uczą się z danych, by podejmować decyzje lub prognozować, bez bycia wprost zaprogramowanymi. [eduexe-source]7:1[/eduexe-source] Kluczowe elementy UM to: dane, model, algorytm, funkcja straty (ocenia błędy) i optymalizacja (minimalizuje stratę). [eduexe-source]7:1[/eduexe-source]

UM dzieli się na:

  • Uczenie nadzorowane: model uczy się na danych z "prawidłowymi odpowiedziami" (etykietami). [eduexe-source]7:6[/eduexe-source]
  • Uczenie nienadzorowane: model sam odkrywa wzorce w danych. [eduexe-source]7:6[/eduexe-source]
  • Uczenie przez wzmacnianie: model uczy się przez interakcje ze środowiskiem (kary/nagrody). [eduexe-source]7:6[/eduexe-source]

Problemy UM nadzorowanego to predykcja (przewidywanie wartości) i klasyfikacja (przypisywanie do kategorii). [eduexe-source]7:8[/eduexe-source] Kurs skupia się na uczeniu nadzorowanym i klasyfikacji, wykorzystując narzędzie Google Teachable Machine. [eduexe-source]8:1[/eduexe-source]

]]>https://forum.eduexe.com/post/5405https://forum.eduexe.com/post/5405Sat, 06 Jun 2026 14:46:18 GMT<![CDATA[Reply to conversation_by_cv6 on Sat, 06 Jun 2026 14:46:02 GMT]]>Wyjaśnij mi najważniejsze pojęcia z aktualnej części kursu prostym językiem. Odwołuj się do materiałów kursu.

]]>https://forum.eduexe.com/post/5404https://forum.eduexe.com/post/5404Sat, 06 Jun 2026 14:46:02 GMT