<![CDATA[conversation_by_s2r]]>Topic created

]]>https://forum.eduexe.com/topic/325/conversation_by_s2rRSS for NodeThu, 13 Aug 2026 19:26:13 GMTTue, 09 Jun 2026 18:35:39 GMT60<![CDATA[Reply to conversation_by_s2r on Wed, 10 Jun 2026 13:36:56 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Czułość (recall) to metryka, która pokazuje, jaki procent wszystkich rzeczywistych pozytywnych przypadków model jest w stanie wykryć. Mówiąc prościej, jeśli szukasz wszystkich chorych osób, czułość powie Ci, ilu z nich Twój model faktycznie rozpoznał jako chorych spośród wszystkich chorych osób w danych. [24:1]

]]>https://forum.eduexe.com/post/5906https://forum.eduexe.com/post/5906Wed, 10 Jun 2026 13:36:56 GMT<![CDATA[Reply to conversation_by_s2r on Wed, 10 Jun 2026 13:36:49 GMT]]>Wytłumaczysz mi tak po ludzku jak działa recall?

]]>https://forum.eduexe.com/post/5905https://forum.eduexe.com/post/5905Wed, 10 Jun 2026 13:36:49 GMT<![CDATA[Reply to conversation_by_s2r on Wed, 10 Jun 2026 13:30:39 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Twoje skojarzenie jest bardzo trafne i ułatwia zapamiętanie!

T (True) oznacza, że przewidywanie modelu zgadza się z rzeczywistością (model poprawnie zaklasyfikował).
F (False) oznacza, że przewidywanie modelu jest błędne (model pomylił się).

Druga litera odnosi się do tego, co model przewidział:
P (Positive) - model przewidział klasę pozytywną (np. "chory").
N (Negative) - model przewidział klasę negatywną (np. "zdrowy").

Zatem:

  • TP (True Positive): Model przewidział pozytywny i było pozytywnie.
  • TN (True Negative): Model przewidział negatywny i było negatywnie.
  • FP (False Positive): Model przewidział pozytywny, ale było negatywnie.
  • FN (False Negative): Model przewidział negatywny, ale było pozytywnie.

[eduexe-source]21:2[/eduexe-source]

]]>https://forum.eduexe.com/post/5904https://forum.eduexe.com/post/5904Wed, 10 Jun 2026 13:30:39 GMT<![CDATA[Reply to conversation_by_s2r on Wed, 10 Jun 2026 13:30:31 GMT]]>Jak najłatwiej zapamiętać TP,TN,FP,FN? Jak z typowej logiki programowania, że true to równość więc T[N/P] to równe sobie wartości, a N/P ?

]]>https://forum.eduexe.com/post/5903https://forum.eduexe.com/post/5903Wed, 10 Jun 2026 13:30:31 GMT<![CDATA[Reply to conversation_by_s2r on Wed, 10 Jun 2026 11:31:31 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Tak, jeśli model jest uczony przez zbyt wiele epok, może to prowadzić do zjawiska przeuczenia (overfitting). Oznacza to, że model zbyt mocno dopasowuje się do danych treningowych, ucząc się ich na pamięć, zamiast uczyć się ogólnych wzorców. W efekcie, taki model będzie słabo radził sobie z nowymi, nieznanymi danymi testowymi, co sprawi, że jego ogólna skuteczność spadnie. [16:3][17:4]

]]>https://forum.eduexe.com/post/5882https://forum.eduexe.com/post/5882Wed, 10 Jun 2026 11:31:31 GMT<![CDATA[Reply to conversation_by_s2r on Wed, 10 Jun 2026 11:31:26 GMT]]>Czy jeśli damy za dużo epok dla uczenia to model może stać się gorszy?

]]>https://forum.eduexe.com/post/5881https://forum.eduexe.com/post/5881Wed, 10 Jun 2026 11:31:26 GMT<![CDATA[Reply to conversation_by_s2r on Wed, 10 Jun 2026 11:29:29 GMT]]>[eduexe-intent]other[/eduexe-intent]
W Google Teachable Machine zbiór testowy jest tworzony automatycznie i losowo. Narzędzie przydziela losowo 15% danych z każdej klasy do zbioru testowego, a pozostałe 85% do zbioru uczącego. Tej proporcji nie można ręcznie zmienić. [15:4][15:7]

]]>https://forum.eduexe.com/post/5877https://forum.eduexe.com/post/5877Wed, 10 Jun 2026 11:29:29 GMT<![CDATA[Reply to conversation_by_s2r on Wed, 10 Jun 2026 11:29:23 GMT]]>Czy zbiór testowy na google teachable machine jest całkowicie losowy, czy wybór jest tworzony na podstawie jakiegoś algorytmu?

]]>https://forum.eduexe.com/post/5875https://forum.eduexe.com/post/5875Wed, 10 Jun 2026 11:29:23 GMT<![CDATA[Reply to conversation_by_s2r on Wed, 10 Jun 2026 11:13:33 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Klasę pośrednią warto tworzyć, gdy masz do czynienia z trudnymi do zaklasyfikowania przypadkami granicznymi, które nie pasują jednoznacznie do żadnej z istniejących klas. Jest to szczególnie przydatne, gdy nie dysponujesz jednoznaczną, prawidłową odpowiedzią dla tych przypadków. Aby to rozwiązanie było skuteczne, potrzebna jest wystarczająca liczba podobnych przypadków granicznych do umieszczenia w nowo utworzonej klasie. [11:4][12:3][14:6]

]]>https://forum.eduexe.com/post/5859https://forum.eduexe.com/post/5859Wed, 10 Jun 2026 11:13:33 GMT<![CDATA[Reply to conversation_by_s2r on Wed, 10 Jun 2026 11:13:23 GMT]]>A jak stwierdzić czy warto tworzyć klase pośrednią?

]]>https://forum.eduexe.com/post/5857https://forum.eduexe.com/post/5857Wed, 10 Jun 2026 11:13:23 GMT<![CDATA[Reply to conversation_by_s2r on Wed, 10 Jun 2026 11:13:14 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
W procesie uczenia maszynowego zarówno jakość, jak i ilość danych są niezwykle ważne i wzajemnie się uzupełniają. Odpowiedni dobór i przygotowanie danych (jakość) jest kluczowe, ponieważ model wytrenowany na danych niskiej jakości, nawet w dużej ilości, będzie działał niepoprawnie. Z drugiej strony, wystarczająca ilość danych pozwala modelowi na lepszą generalizację i zapobiega ignorowaniu mniej licznych przypadków czy klas. [11:1][11:3][11:4][14:2][15:7]

]]>https://forum.eduexe.com/post/5855https://forum.eduexe.com/post/5855Wed, 10 Jun 2026 11:13:14 GMT<![CDATA[Reply to conversation_by_s2r on Wed, 10 Jun 2026 11:12:55 GMT]]>Co jest ważniejsze - jakość czy ilość danych w uczeniu?

]]>https://forum.eduexe.com/post/5854https://forum.eduexe.com/post/5854Wed, 10 Jun 2026 11:12:55 GMT<![CDATA[Reply to conversation_by_s2r on Tue, 09 Jun 2026 18:39:25 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Rozumiem Twoje skojarzenie z dzieleniem zdjęć. W uczeniu nienadzorowanym model może podzielić punkty na grupy (klastry) na podstawie ich podobieństwa lub wzorców, które sam odkryje, bez znajomości "prawidłowych odpowiedzi". To byłoby przykładem klasteryzacji, która jest problemem uczenia nienadzorowanego. [eduexe-source]7:6[/eduexe-source]

Jednakże, jeśli celem jest znalezienie konkretnej funkcji (np. kwadratowej), która ma opisywać te punkty, to model potrzebuje "prawidłowych odpowiedzi" (czyli wartości, które funkcja powinna zwracać dla danych punktów), aby móc ocenić, jak dobrze dopasowuje się do danych i korygować swoje parametry. Tego typu zadanie, polegające na przewidywaniu konkretnych wartości liczbowych, jest problemem predykcji i należy do uczenia nadzorowanego. [eduexe-source]7:8[/eduexe-source]

]]>https://forum.eduexe.com/post/5838https://forum.eduexe.com/post/5838Tue, 09 Jun 2026 18:39:25 GMT<![CDATA[Reply to conversation_by_s2r on Tue, 09 Jun 2026 18:39:06 GMT]]>Takim tokiem myślenia dla uczenia nienadzorowanego też podajemy zdjęcia - w moim przypadku zamiast zdjęć chciałem podać punkty, a to model miałby je podzielić - czyli szukać funkcji?

]]>https://forum.eduexe.com/post/5837https://forum.eduexe.com/post/5837Tue, 09 Jun 2026 18:39:06 GMT<![CDATA[Reply to conversation_by_s2r on Tue, 09 Jun 2026 18:38:17 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Nie, szukanie funkcji kwadratowej na podstawie podanych punktów na osi to przykład uczenia nadzorowanego, a konkretnie problem predykcji. W takim przypadku modelowi dostarczane są "prawidłowe odpowiedzi" (wartości funkcji dla danych punktów), na podstawie których uczy się przewidywać konkretne wartości liczbowe. [eduexe-source]7:6[/eduexe-source][eduexe-source]7:8[/eduexe-source]

]]>https://forum.eduexe.com/post/5836https://forum.eduexe.com/post/5836Tue, 09 Jun 2026 18:38:17 GMT<![CDATA[Reply to conversation_by_s2r on Tue, 09 Jun 2026 18:38:10 GMT]]>A np. szukanie funkcji kwadratowej podając jego punkty na osi to też uczenie nienadzorowane?

]]>https://forum.eduexe.com/post/5835https://forum.eduexe.com/post/5835Tue, 09 Jun 2026 18:38:10 GMT<![CDATA[Reply to conversation_by_s2r on Tue, 09 Jun 2026 18:36:54 GMT]]>[eduexe-intent]student_progress[/eduexe-intent]
W uczeniu nienadzorowanym model nie ma dostępu do „prawidłowych odpowiedzi” (etykiet). Zamiast tego, jego zadaniem jest samodzielne odkrywanie wzorców i zależności w danych. Model wie, że uczy się poprawnie, gdy odkryte wzorce są spójne i dobrze odzwierciedlają strukturę danych, np. poprzez grupowanie podobnych elementów.

Przykładem takiego modelu jest algorytm, któremu dostarczamy wymieszane zdjęcia różnych gatunków zwierząt. Model, bez znajomości nazw gatunków, powinien podzielić zdjęcia na grupy na zasadzie, że "grupa zdjęć A jest wyraźnie różna od grupy zdjęć B". Podstawowymi problemami uczenia nienadzorowanego są klasteryzacja i redukcja wymiarowości. [eduexe-source]7:6[/eduexe-source]

]]>https://forum.eduexe.com/post/5834https://forum.eduexe.com/post/5834Tue, 09 Jun 2026 18:36:54 GMT<![CDATA[Reply to conversation_by_s2r on Tue, 09 Jun 2026 18:36:44 GMT]]>No dobra, ale skoro nie zna odpowiedzi - to jak może wiedzieć czy uczy się poprawnie? Możesz podać przykład takiego modelu?

]]>https://forum.eduexe.com/post/5833https://forum.eduexe.com/post/5833Tue, 09 Jun 2026 18:36:44 GMT<![CDATA[Reply to conversation_by_s2r on Tue, 09 Jun 2026 18:36:14 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
W uczeniu nienadzorowanym model nie ma dostępu do "prawidłowych odpowiedzi" (etykiet wynikowych), dlatego nie jest w stanie sprawdzić, czy idzie w poprawnym kierunku nauki w taki sam sposób, jak model nadzorowany. Jego zadaniem jest samodzielne odkrywanie wzorców i zależności w danych. [eduexe-source]7:6[/eduexe-source]

]]>https://forum.eduexe.com/post/5832https://forum.eduexe.com/post/5832Tue, 09 Jun 2026 18:36:14 GMT<![CDATA[Reply to conversation_by_s2r on Tue, 09 Jun 2026 18:36:08 GMT]]>Czy w uczeniu nienadzorowanym ostatecznie po każdej iteracji nauczania - model ma jakiś sposób na sprawdzenie czy idzie w poprawnym kierunku nauki?

]]>https://forum.eduexe.com/post/5831https://forum.eduexe.com/post/5831Tue, 09 Jun 2026 18:36:08 GMT