conversation_by_va5

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Jeśli model był trenowany wyłącznie na zdjęciach psów i kotów, a następnie otrzymałby zdjęcie jajka, spróbowałby je zaklasyfikować do jednej z tych dwóch kategorii, które zna. Model nie ma pojęcia o istnieniu jajek, więc przypisałby je do klasy, do której jest "najbardziej podobne" według jego wewnętrznych kryteriów, nawet jeśli wynik byłby absurdalny. [eduexe-source]11:5[/eduexe-source]

[student_1137_va5]

która cyfra jest twoją ulubioną?

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Jako asystent kursu e-learningowego nie posiadam ulubionej cyfry ani żadnych innych osobistych preferencji. Moje zadanie polega na dostarczaniu informacji i wspieraniu Cię w nauce o Uczeniu Maszynowym.

[student_1137_va5]

jakie jest rozwinięcie skrótu gtm

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Skrót GTM oznacza Google Teachable Machine. Jest to przeglądarkowe narzędzie udostępnione przez firmę Google do tworzenia modeli Uczenia Maszynowego. [eduexe-source]8:1[/eduexe-source]

[student_1137_va5]

udało mi się zrobić test na 100%

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Gratulacje! Udało Ci się zdobyć 100% punktów w teście "AT - Wprowadzenie do UM - Test" [eduexe-source]9:1[/eduexe-source] oraz w teście "BT - Dane w procesie uczenia - Test" [eduexe-source]13:1[/eduexe-source]. To doskonały wynik!

[student_1137_va5]

po co jest zbior testowy

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Zbiór testowy (ang. test set) to zbiór przykładów, których model nie wykorzystał w procesie uczenia się. Służy on do przetestowania wytrenowanego modelu, mierząc jak dobrze radzi sobie z klasyfikowaniem nowych, nieznanych danych i oceniając jego skuteczność. [eduexe-source]15:3[/eduexe-source]

[student_1137_va5]

ale po co on jest

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Zbiór testowy jest niezbędny, aby ocenić, czy model nauczył się rozpoznawać ogólne wzorce w danych, czy tylko zapamiętał przykłady, na których był trenowany. Dzięki niemu sprawdzamy, jak skutecznie model radzi sobie z nowymi, nieznanymi danymi, co jest kluczowe dla jego praktycznego zastosowania. [eduexe-source]15:3[/eduexe-source]

[student_1137_va5]

czym są metryki?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Metrykami w kontekście Uczenia Maszynowego określamy miary służące do oceny wytrenowanych modeli. Metryka jest funkcją, która przyjmuje model jako argument i zwraca wartość pozwalającą porównać go z innymi modelami. Wyższa wartość metryki zazwyczaj oznacza wyższą ocenę modelu. [eduexe-source]21:1[/eduexe-source]