<![CDATA[conversation_by_a2y]]>Topic created

]]>https://forum.eduexe.com/topic/329/conversation_by_a2yRSS for NodeThu, 13 Aug 2026 18:25:38 GMTWed, 10 Jun 2026 23:17:55 GMT60<![CDATA[Reply to conversation_by_a2y on Thu, 11 Jun 2026 00:15:45 GMT]]>[eduexe-intent]student_progress[/eduexe-intent]
Za kurs zostanie Ci naliczony korzystniejszy z dwóch wyników: suma punktów za test początkowy i wszystkie testy cząstkowe, albo suma punktów za test początkowy i test końcowy. [eduexe-source]1:1[/eduexe-source]

]]>https://forum.eduexe.com/post/6002https://forum.eduexe.com/post/6002Thu, 11 Jun 2026 00:15:45 GMT<![CDATA[Reply to conversation_by_a2y on Thu, 11 Jun 2026 00:15:39 GMT]]>jaki wynik z testow bedzie wliczal sie do oceny? Test poczatkowy + testy z modulow czy test poczatkowy + test koncowy

]]>https://forum.eduexe.com/post/6001https://forum.eduexe.com/post/6001Thu, 11 Jun 2026 00:15:39 GMT<![CDATA[Reply to conversation_by_a2y on Thu, 11 Jun 2026 00:05:23 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Precyzja (precision) i czułość (recall) są metrykami, które często stanowią kompromis. Precyzja skupia się na minimalizowaniu fałszywie pozytywnych wyników, natomiast czułość koncentruje się na minimalizowaniu fałszywie negatywnych. F-score jest metryką, która łączy je, będąc średnią harmoniczną precyzji i czułości. [eduexe-source]25:1[/eduexe-source][eduexe-source]25:2[/eduexe-source][eduexe-source]26:4[/eduexe-source]

]]>https://forum.eduexe.com/post/6000https://forum.eduexe.com/post/6000Thu, 11 Jun 2026 00:05:23 GMT<![CDATA[Reply to conversation_by_a2y on Thu, 11 Jun 2026 00:05:15 GMT]]>jak sa zwiazane precyzyjnosc i czulosc?

]]>https://forum.eduexe.com/post/5999https://forum.eduexe.com/post/5999Thu, 11 Jun 2026 00:05:15 GMT<![CDATA[Reply to conversation_by_a2y on Thu, 11 Jun 2026 00:04:37 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Dokładność (Accuracy) to stosunek wszystkich poprawnie zaklasyfikowanych przykładów testowych do wszystkich przykładów testowych. Precyzja (Precision) to stosunek poprawnie sklasyfikowanych przypadków pozytywnych do wszystkich przypadków sklasyfikowanych przez model jako pozytywne. Dokładność jest miarą ogólnej poprawności, natomiast precyzja skupia się na trafności wyłącznie pozytywnych przewidywań modelu. [eduexe-source]22:1[/eduexe-source][eduexe-source]23:1[/eduexe-source][eduexe-source]23:4[/eduexe-source]

]]>https://forum.eduexe.com/post/5998https://forum.eduexe.com/post/5998Thu, 11 Jun 2026 00:04:37 GMT<![CDATA[Reply to conversation_by_a2y on Thu, 11 Jun 2026 00:04:28 GMT]]>czym roznia sie precyzja a dokladnosc?

]]>https://forum.eduexe.com/post/5997https://forum.eduexe.com/post/5997Thu, 11 Jun 2026 00:04:28 GMT<![CDATA[Reply to conversation_by_a2y on Thu, 11 Jun 2026 00:03:33 GMT]]>[eduexe-intent]other[/eduexe-intent]
W Google Teachable Machine dokładność modelu możesz zobaczyć, otwierając zakładkę "Dla zaawansowanych" w sekcji "Trening". Tam znajdziesz:

  1. "Dokładność wg klas": GTM oblicza dokładność z podziałem na poszczególne klasy.
  2. "Macierz pomyłek": Na jej podstawie możesz samodzielnie obliczyć globalną dokładność dla całego modelu.
  3. Wykres dokładności: Możesz również zobaczyć wykres pokazujący, jak zmieniała się dokładność modelu w kolejnych epokach trenowania.

[eduexe-source]22:3[/eduexe-source]

]]>https://forum.eduexe.com/post/5996https://forum.eduexe.com/post/5996Thu, 11 Jun 2026 00:03:33 GMT<![CDATA[Reply to conversation_by_a2y on Thu, 11 Jun 2026 00:03:27 GMT]]>jak mozemy to zonaczyc w GTM?

]]>https://forum.eduexe.com/post/5995https://forum.eduexe.com/post/5995Thu, 11 Jun 2026 00:03:27 GMT<![CDATA[Reply to conversation_by_a2y on Thu, 11 Jun 2026 00:02:07 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Dokładność (ang. Accuracy) to podstawowa metryka służąca do oceny jakości modelu w Uczenie Maszynowym. Wyznacza się ją jako stosunek poprawnie zaklasyfikowanych przez model przykładów testowych do wszystkich przykładów testowych. Im większa wartość dokładności (od 0 do 1), tym lepiej świadczy to o modelu. [eduexe-source]22:1[/eduexe-source]

]]>https://forum.eduexe.com/post/5994https://forum.eduexe.com/post/5994Thu, 11 Jun 2026 00:02:07 GMT<![CDATA[Reply to conversation_by_a2y on Thu, 11 Jun 2026 00:02:00 GMT]]>jak wyznaczamy dokladnosc modelu?

]]>https://forum.eduexe.com/post/5993https://forum.eduexe.com/post/5993Thu, 11 Jun 2026 00:02:00 GMT<![CDATA[Reply to conversation_by_a2y on Thu, 11 Jun 2026 00:00:20 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Metryki w uczeniu maszynowym to po prostu miary lub wskaźniki, które służą do oceny, jak dobrze działa wytrenowany model. Dzięki nim możesz porównać różne modele i wybrać ten, który radzi sobie najlepiej. Zazwyczaj im wyższa wartość metryki, tym lepszy model. [eduexe-source]21:1[/eduexe-source]

]]>https://forum.eduexe.com/post/5992https://forum.eduexe.com/post/5992Thu, 11 Jun 2026 00:00:20 GMT<![CDATA[Reply to conversation_by_a2y on Thu, 11 Jun 2026 00:00:14 GMT]]>przechodzimy do modułu D. Nie rozumiem czym sa metryki, czy moglbys wyjasnic lopatologicznie?

]]>https://forum.eduexe.com/post/5991https://forum.eduexe.com/post/5991Thu, 11 Jun 2026 00:00:14 GMT<![CDATA[Reply to conversation_by_a2y on Wed, 10 Jun 2026 23:45:59 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Epoka (ang. epoch) w uczeniu maszynowym to pojedyncze przejście modelu w czasie treningu przez wszystkie przykłady ze zbioru uczącego. Oznacza to, że model przetwarza cały zbiór danych treningowych jeden raz. Zazwyczaj potrzeba wielu epok, aby model nauczył się efektywnie. [eduexe-source]16:3[/eduexe-source]

]]>https://forum.eduexe.com/post/5990https://forum.eduexe.com/post/5990Wed, 10 Jun 2026 23:45:59 GMT<![CDATA[Reply to conversation_by_a2y on Wed, 10 Jun 2026 23:45:54 GMT]]>czym sa epoki w uczeniu maszynowym?

]]>https://forum.eduexe.com/post/5989https://forum.eduexe.com/post/5989Wed, 10 Jun 2026 23:45:54 GMT<![CDATA[Reply to conversation_by_a2y on Wed, 10 Jun 2026 23:45:29 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
W Google Teachable Machine nie trzeba ręcznie dokonywać podziału danych na zbiór uczący i zbiór testowy. Narzędzie robi to automatycznie. [eduexe-source]15:4[/eduexe-source][eduexe-source]15:6[/eduexe-source]

]]>https://forum.eduexe.com/post/5988https://forum.eduexe.com/post/5988Wed, 10 Jun 2026 23:45:29 GMT<![CDATA[Reply to conversation_by_a2y on Wed, 10 Jun 2026 23:45:24 GMT]]>czy W Google Teachable Machine należy ręcznie dokonać podziału danych na zbiór uczący i zbiór testowy?

]]>https://forum.eduexe.com/post/5987https://forum.eduexe.com/post/5987Wed, 10 Jun 2026 23:45:24 GMT<![CDATA[Reply to conversation_by_a2y on Wed, 10 Jun 2026 23:45:02 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Zbiór uczący (ang. train set) to zbiór przykładów, na których model uczenia maszynowego się uczy, znając z góry prawidłową klasyfikację. Na przykład, w modelu rozróżniającym kanarki i wróble, zbiór uczący zawierałby zdjęcia kanarków podpisane jako "kanarki" oraz zdjęcia wróbli podpisane jako "wróble". [eduexe-source]15:3[/eduexe-source]

]]>https://forum.eduexe.com/post/5986https://forum.eduexe.com/post/5986Wed, 10 Jun 2026 23:45:02 GMT<![CDATA[Reply to conversation_by_a2y on Wed, 10 Jun 2026 23:44:56 GMT]]>przechodzimy do modulu C. czym jest zbior uczacy?

]]>https://forum.eduexe.com/post/5985https://forum.eduexe.com/post/5985Wed, 10 Jun 2026 23:44:56 GMT<![CDATA[Reply to conversation_by_a2y on Wed, 10 Jun 2026 23:41:32 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Modele możemy naprawiać poprzez odpowiednie modyfikowanie danych, na których się uczą. W przypadku danych spoza klas należy dodać nową klasę i załadować do niej odpowiednie przykłady. Dla nierównej liczebności klas uzupełnia się mniej liczną klasę o dodatkowe dane. Trudne przypadki graniczne można rozwiązać, dodając więcej podobnych przykładów do istniejącej klasy lub tworząc dodatkową klasę pośrednią. Po każdej zmianie danych należy ponownie wytrenować model. [eduexe-source]12:1[/eduexe-source][eduexe-source]12:3[/eduexe-source][eduexe-source]14:4[/eduexe-source][eduexe-source]14:5[/eduexe-source][eduexe-source]14:6[/eduexe-source]

]]>https://forum.eduexe.com/post/5984https://forum.eduexe.com/post/5984Wed, 10 Jun 2026 23:41:32 GMT<![CDATA[Reply to conversation_by_a2y on Wed, 10 Jun 2026 23:41:22 GMT]]>jak mozemy naprawiac modele?

]]>https://forum.eduexe.com/post/5983https://forum.eduexe.com/post/5983Wed, 10 Jun 2026 23:41:22 GMT<![CDATA[Reply to conversation_by_a2y on Wed, 10 Jun 2026 23:40:55 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Najczęstsze problemy z danymi testowymi to: przypadki graniczne między klasami (dane trudne do sklasyfikowania, bo mają cechy wspólne dla kilku klas), nierówna liczebność klas (gdy jedna klasa jest znacznie słabiej reprezentowana) oraz dane spoza klas (obiekty, których model nie widział podczas uczenia i nie ma dla nich zdefiniowanej klasy).
[eduexe-source]11:2[/eduexe-source][eduexe-source]11:4[/eduexe-source][eduexe-source]11:5[/eduexe-source]

]]>https://forum.eduexe.com/post/5982https://forum.eduexe.com/post/5982Wed, 10 Jun 2026 23:40:55 GMT<![CDATA[Reply to conversation_by_a2y on Wed, 10 Jun 2026 23:40:47 GMT]]>jakie sa najczestsze problemy z danymi testowymi?

]]>https://forum.eduexe.com/post/5981https://forum.eduexe.com/post/5981Wed, 10 Jun 2026 23:40:47 GMT<![CDATA[Reply to conversation_by_a2y on Wed, 10 Jun 2026 23:40:03 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Nietypowe dane testowe to takie, które sprawiają modelowi trudność w prawidłowej klasyfikacji. Przykłady z kursu to:

  1. Przypadki graniczne między klasami: Dane, które posiadają cechy wspólne dla kilku klas, np. zdjęcie kota rasy Lykoi, który wygląda jak pies i może zostać błędnie zaklasyfikowany przez model uczony na psach i kotach. [eduexe-source]11:2[/eduexe-source]
  2. Dane spoza klas: Obiekty, których model nie widział w procesie uczenia się i nie ma dla nich zdefiniowanej klasy, np. zdjęcie samochodu podane modelowi wytrenowanemu do rozpoznawania tylko psów i kotów. Model błędnie przypisze samochód do jednej z poznanych klas. [eduexe-source]11:5[/eduexe-source]
]]>https://forum.eduexe.com/post/5980https://forum.eduexe.com/post/5980Wed, 10 Jun 2026 23:40:03 GMT<![CDATA[Reply to conversation_by_a2y on Wed, 10 Jun 2026 23:39:54 GMT]]>przechodzimy do modulu B, podaj przyklady nietypowych danych testowych

]]>https://forum.eduexe.com/post/5979https://forum.eduexe.com/post/5979Wed, 10 Jun 2026 23:39:54 GMT