conversation_by_5n1

[student_1137_5n1]

chodzilo mi o przekształcenie danych i oczyszczenie (ETL) zeby uniknac szumów i blednej intrerpretacji

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Rozumiem, że interesują Cię szczegóły przekształcania i oczyszczania danych (ETL) w celu uniknięcia szumów i błędnej interpretacji. Kurs podkreśla, że odpowiednie przygotowanie danych jest kluczowe dla skutecznego działania modelu. [eduexe-source]11:1[/eduexe-source]

"Oczyszczenie" i "korekta" danych, o których mówiliśmy, mają na celu właśnie zmniejszenie "szumów" i ryzyka "błędnej interpretacji" przez model. Kurs skupia się na rozwiązywaniu konkretnych problemów z danymi, które mogą prowadzić do takich niepożądanych efektów. Są to m.in.:

• Nierówna liczebność klas: Korekta polega na uzupełnianiu danych w mniej licznych klasach. [eduexe-source]11:4[/eduexe-source]
• Dane spoza zdefiniowanych klas: Należy dodać nowe klasy dla takich danych. [eduexe-source]11:5[/eduexe-source]
• Przypadki graniczne: Można dodać więcej podobnych przykładów lub stworzyć klasy pośrednie. [eduexe-source]11:2[/eduexe-source][eduexe-source]12:3[/eduexe-source]

Pamiętaj, że model jest tylko tak dobry, jak dane, na których się uczy.

[student_1137_5n1]

jakie znasz mozliwe przekształcenia danych? zeby poprawić ich jakości zanim załaduje je do modleu ML jak zbior danych uczących

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Kurs skupia się na przekształceniach danych w kontekście problemów z ich jakością, które mogą prowadzić do "szumów" i "błędnej interpretacji" przez model. Główne przekształcenia danych, które mają na celu poprawę ich jakości przed załadowaniem do modelu ML jako zbioru uczącego, obejmują:

1. Uzupełnianie danych w mniej licznych klasach w przypadku nierównej liczebności klas, aby zapewnić modelowi wystarczającą liczbę przykładów do nauki. [eduexe-source]11:4[/eduexe-source][eduexe-source]12:1[/eduexe-source][eduexe-source]14:5[/eduexe-source]
2. Dodawanie nowych klas dla danych spoza zdefiniowanych klas, aby model potrafił je rozpoznać, zamiast błędnie przypisywać do istniejących kategorii. [eduexe-source]11:5[/eduexe-source][eduexe-source]12:1[/eduexe-source][eduexe-source]14:4[/eduexe-source]
3. Dodawanie więcej podobnych przykładów dla przypadków granicznych lub tworzenie klas pośrednich, co pomaga modelowi lepiej radzić sobie z niejednoznacznymi danymi. [eduexe-source]11:2[/eduexe-source][eduexe-source]12:3[/eduexe-source][eduexe-source]14:6[/eduexe-source]

Te działania mają na celu zapewnienie, że zbiór uczący jest reprezentatywny, zbalansowany i zawiera wystarczającą liczbę przykładów dla wszystkich istotnych kategorii.

[student_1137_5n1]

widze ze masz ograniczoną baze wiedzy. chodzilo mi o uzupełnienie brakujących wartości, odfiltrowanie pustych wierszy, usuniecie nadamiarowych zmiennych itp.

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Masz rację, kurs skupia się na specyficznych problemach danych obrazowych w GTM. Poza tymi, które omówiliśmy (nierówna liczebność klas, dane spoza klas, przypadki graniczne), ogólne przekształcenia danych obejmują: uzupełnianie brakujących wartości (imputacja), usuwanie pustych rekordów, redukcję wymiarowości (np. usuwanie nadmiarowych zmiennych), normalizację, standaryzację czy obsługę wartości odstających. Wszystkie te działania mają na celu poprawę jakości danych i redukcję szumów, co jest kluczowe dla każdego modelu ML [eduexe-source]11:1[/eduexe-source].

[student_1137_5n1]

w jaki spoób wynik koncowy jest przeskalowany? dalej w ocenach koncowych mam 0 punktow i X mimo ze ponizej jest 90%?

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
Rozumiem Twoje pytanie dotyczące skalowania wyników końcowych i rozbieżności między procentowym wynikiem a wyświetlanymi punktami.

Twój wynik końcowy (44 punkty z maksymalnych 81) jest obliczany na podstawie korzystniejszej dla Ciebie sumy punktów z dwóch grup testów:

1. Suma punktów za test początkowy i wszystkie testy cząstkowe.
2. Suma punktów za test początkowy i test końcowy.
   [eduexe-source]1:1[/eduexe-source]

Zgodnie z informacjami w kursie, test początkowy jest wart maksymalnie 10 punktów, a testy cząstkowe i końcowy po 20 punktów (łącznie 30 punktów w podstawowej skali). System kursu przeskalowuje te wyniki do maksymalnej liczby 81 punktów. Dokładna metoda przeliczania procentowych wyników z poszczególnych testów na punkty w skali 81-punktowej nie jest dostępna w dostarczonych danych.

Niestety, na podstawie dostępnych informacji nie jestem w stanie wyjaśnić, dlaczego w "ocenach końcowych" widzisz "0 punktów i X" pomimo 90% wyniku. Może to być związane ze specyficznym sposobem wyświetlania wyników dla poszczególnych komponentów, które nie są bezpośrednio punktowane w globalnej skali, lub dotyczyć quizów "Sprawdź się!", które nie są punktowane.

[student_1137_5n1]

chodzi mi o karte Oceny w kursie sztuczna inetligencja, pozycja wykład, pozycja wyklad asynchroniczny UM

[bot_eduexe]

[eduexe-intent]student_progress[/eduexe-intent]
W "Karcie Oceny" (czyli w sekcjach "Podsumowanie aktywności" [eduexe-source]31:1[/eduexe-source][eduexe-source]38:1[/eduexe-source]) punkty są przyznawane wyłącznie za test początkowy, testy cząstkowe oraz test końcowy. Główne komponenty kursu, które możesz nazywać "wykładami" lub "wykładami asynchronicznymi UM", nie są indywidualnie punktowane. Ich ukończenie wpływa na postęp w kursie, ale nie przekłada się na konkretne punkty widoczne w karcie ocen.