<![CDATA[conversation_by_0zy]]>Topic created

]]>https://forum.eduexe.com/topic/314/conversation_by_0zyRSS for NodeThu, 13 Aug 2026 18:25:44 GMTMon, 08 Jun 2026 08:21:41 GMT60<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 17:02:36 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Podstawą do obliczania metryk w uczeniu maszynowym jest macierz pomyłek. Pokazuje ona, ile przykładów testowych zostało sklasyfikowanych przez model poprawnie, a ile błędnie, dzieląc je na cztery kategorie: prawdziwie pozytywne (TP), prawdziwie negatywne (TN), fałszywie pozytywne (FP) i fałszywie negatywne (FN). [eduexe-source]21:2[/eduexe-source]

]]>https://forum.eduexe.com/post/5784https://forum.eduexe.com/post/5784Mon, 08 Jun 2026 17:02:36 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 17:02:31 GMT]]>a jakie s apodstawy do obliczania metryk?

]]>https://forum.eduexe.com/post/5783https://forum.eduexe.com/post/5783Mon, 08 Jun 2026 17:02:31 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 16:57:26 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Metryki w kontekście Uczenia Maszynowego to miary oceny wytrenowanych modeli. Można je traktować jako funkcje, które przyjmują model i zwracają wartość pozwalającą porównać go z innymi modelami. Wyższa wartość metryki zazwyczaj oznacza lepszą ocenę modelu. [eduexe-source]21:1[/eduexe-source]

]]>https://forum.eduexe.com/post/5782https://forum.eduexe.com/post/5782Mon, 08 Jun 2026 16:57:26 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 16:57:20 GMT]]>co to metryki?

]]>https://forum.eduexe.com/post/5781https://forum.eduexe.com/post/5781Mon, 08 Jun 2026 16:57:20 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 09:02:44 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Macierz pomyłek (nazywana również tablicą pomyłek) to narzędzie kluczowe do oceny modeli uczenia maszynowego, zwłaszcza w zadaniach klasyfikacji. Pokazuje, ile przykładów testowych z poszczególnych klas zostało sklasyfikowanych przez model poprawnie, a ile błędnie. [eduexe-source]18:1[/eduexe-source][eduexe-source]20:1[/eduexe-source]

W przypadku problemu dwuklasowego, macierz dzieli się na cztery typy klasyfikacji:

  • Prawdziwie pozytywne (TP): model poprawnie zidentyfikował pozytywny przypadek.
  • Prawdziwie negatywne (TN): model poprawnie zidentyfikował negatywny przypadek.
  • Fałszywie pozytywne (FP): model błędnie zidentyfikował negatywny przypadek jako pozytywny.
  • Fałszywie negatywne (FN): model błędnie zidentyfikował pozytywny przypadek jako negatywny.
    [eduexe-source]21:2[/eduexe-source]
    Na podstawie macierzy pomyłek obliczane są różne metryki oceny jakości modelu.
]]>https://forum.eduexe.com/post/5677https://forum.eduexe.com/post/5677Mon, 08 Jun 2026 09:02:44 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 09:02:34 GMT]]>wytlumacz mi bardzie jco to macierz pomylek

]]>https://forum.eduexe.com/post/5676https://forum.eduexe.com/post/5676Mon, 08 Jun 2026 09:02:34 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 08:57:46 GMT]]>[eduexe-intent]other[/eduexe-intent]
W Google Teachable Machine dane są automatycznie dzielone na zbiór uczący i testowy w proporcji 85% do 15%. Ogólnie, zbiór uczący powinien być znacząco większy od testowego, a zbiór testowy powinien być wystarczająco duży i reprezentatywny dla całości danych. Spotyka się też proporcje 80:20 lub mniejsze zbiory testowe dla bardzo dużych danych. [eduexe-source]15:7[/eduexe-source]

]]>https://forum.eduexe.com/post/5673https://forum.eduexe.com/post/5673Mon, 08 Jun 2026 08:57:46 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 08:57:41 GMT]]>jakie powinny byc proporcje zbioru uczacego i tego testowego?

]]>https://forum.eduexe.com/post/5672https://forum.eduexe.com/post/5672Mon, 08 Jun 2026 08:57:41 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 08:54:06 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Aby naprawić model i poprawić jego działanie, należy:

  1. Dodać klasę "4" i załadować do niej zawartość katalogu "4" z Materiałów.
  2. Uzupełnić klasę "3", ładując do niej zawartość katalogu "3" z Materiałów.
    Po tych krokach należy ponownie wytrenować model. [eduexe-source]12:1[/eduexe-source][eduexe-source]14:4[/eduexe-source][eduexe-source]14:5[/eduexe-source]
]]>https://forum.eduexe.com/post/5671https://forum.eduexe.com/post/5671Mon, 08 Jun 2026 08:54:06 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 08:53:54 GMT]]>jakich danych mam uzyc do tego przykladu pierwszego?

]]>https://forum.eduexe.com/post/5670https://forum.eduexe.com/post/5670Mon, 08 Jun 2026 08:53:54 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 08:48:11 GMT]]>[eduexe-intent]student_progress[/eduexe-intent]
Jeśli problemem jest niedobór danych dla danej klasy lub przypadek graniczny, samo ponowne trenowanie modelu na tych samych plikach nie poprawi dokładności. Zgodnie z omawianym materiałem [eduexe-source]12:1[/eduexe-source], [eduexe-source]12:3[/eduexe-source] należy zmodyfikować zbiór danych, np. poprzez dodanie brakujących danych lub utworzenie dodatkowej klasy.

]]>https://forum.eduexe.com/post/5669https://forum.eduexe.com/post/5669Mon, 08 Jun 2026 08:48:11 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 08:47:58 GMT]]>czy mam sprobowac znowu na tych smaych plikach?

]]>https://forum.eduexe.com/post/5668https://forum.eduexe.com/post/5668Mon, 08 Jun 2026 08:47:58 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 08:46:56 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Mniej danych z danej klasy sprawia, że model ma trudności z nauczeniem się wzorców charakterystycznych dla tej klasy. W efekcie może ją zignorować lub nie być w stanie poprawnie jej rozpoznać, co prowadzi do niższej dokładności. Jest to szczególnie widoczne, gdy liczba przykładów jednej klasy jest znacznie mniejsza niż innych. [eduexe-source]11:4[/eduexe-source][eduexe-source]14:2[/eduexe-source]

]]>https://forum.eduexe.com/post/5667https://forum.eduexe.com/post/5667Mon, 08 Jun 2026 08:46:56 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 08:46:46 GMT]]>dlaczego mniej danych z danej klasy sprawia, ze mniejsza dokladnosc jest?

]]>https://forum.eduexe.com/post/5666https://forum.eduexe.com/post/5666Mon, 08 Jun 2026 08:46:46 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 08:37:31 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Model mógł zaklasyfikować kota Lykoi (tzw. "kota wilkołaka") jako psa, ponieważ w danych uczących, na których był trenowany, było bardzo mało przykładów tego nietypowego gatunku (jedynie pięć) w porównaniu do dużej liczby zdjęć typowych kotów i psów (po 200). W efekcie model zignorował te nieliczne, nietypowe przypadki, co doprowadziło do błędnej klasyfikacji. [eduexe-source]11:3[/eduexe-source]

]]>https://forum.eduexe.com/post/5647https://forum.eduexe.com/post/5647Mon, 08 Jun 2026 08:37:31 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 08:37:21 GMT]]>a dalczego w tym przypadku dal bardziej na psa, skoro jest to kot podobny do psa? a rozbieznosc jest az 90-10 %

]]>https://forum.eduexe.com/post/5645https://forum.eduexe.com/post/5645Mon, 08 Jun 2026 08:37:21 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 08:26:28 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Brak informacji w dostarczonym źródle.

]]>https://forum.eduexe.com/post/5631https://forum.eduexe.com/post/5631Mon, 08 Jun 2026 08:26:28 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 08:26:22 GMT]]>gdzie stosowane jest uczenie przez wzmacnianie?

]]>https://forum.eduexe.com/post/5630https://forum.eduexe.com/post/5630Mon, 08 Jun 2026 08:26:22 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 08:26:01 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Brak informacji w dostarczonym źródle.

]]>https://forum.eduexe.com/post/5629https://forum.eduexe.com/post/5629Mon, 08 Jun 2026 08:26:01 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 08:25:53 GMT]]>gdzie stosowane jest uczenie przez wzmacnianie

]]>https://forum.eduexe.com/post/5628https://forum.eduexe.com/post/5628Mon, 08 Jun 2026 08:25:53 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 08:24:41 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Uczenie nienadzorowane polega na tym, że model samodzielnie odkrywa wzorce i zależności w danych, nie mając dostępu do "prawidłowych odpowiedzi" (etykiet). Natomiast uczenie przez wzmacnianie to proces, w którym model uczy się poprzez interakcje ze środowiskiem, na podstawie systemu kar i nagród. [eduexe-source]7:6[/eduexe-source]

]]>https://forum.eduexe.com/post/5627https://forum.eduexe.com/post/5627Mon, 08 Jun 2026 08:24:41 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 08:24:35 GMT]]>Wytlumacz mi bardziej czym rozni sie uczenie przez wzmacnianie od uczenia nienadzorowanego

]]>https://forum.eduexe.com/post/5626https://forum.eduexe.com/post/5626Mon, 08 Jun 2026 08:24:35 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 08:22:03 GMT]]>[eduexe-intent]other[/eduexe-intent]
Modele językowe takie jak ChatGPT są trenowane na ogromnych zbiorach danych, liczących dziesiątki terabajtów (TB), a nawet petabajty (PB) tekstu i kodu. Dokładne rozmiary dla najnowszych wersji modeli nie są publicznie ujawniane. [eduexe-source]7:1[/eduexe-source]

]]>https://forum.eduexe.com/post/5625https://forum.eduexe.com/post/5625Mon, 08 Jun 2026 08:22:03 GMT<![CDATA[Reply to conversation_by_0zy on Mon, 08 Jun 2026 08:21:56 GMT]]>Jak duże zbiory danych ma np. taki caht gpt?

]]>https://forum.eduexe.com/post/5624https://forum.eduexe.com/post/5624Mon, 08 Jun 2026 08:21:56 GMT