conversation_by_ed1

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe dzieli się na trzy główne podkategorie:

1. Uczenie nadzorowane (supervised learning): Model uczy się na danych, dla których dostarczane są prawidłowe odpowiedzi (etykiety wynikowe).
2. Uczenie nienadzorowane (unsupervised learning): Model samodzielnie odkrywa wzorce i zależności w danych, nie mając dostępu do prawidłowych odpowiedzi.
3. Uczenie przez wzmacnianie (reinforcement learning): Model uczy się poprzez interakcje ze środowiskiem, wykorzystując system kar i nagród.

[eduexe-source]7:6[/eduexe-source]

[student_1136_ed1]

Czy dane pełnią istotną role w uczeniu modelu

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Błąd system LLM.

[student_1136_ed1]

Na czym polega problem z nierówną liczebnością klas?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Problem z nierówną liczebnością klas (ang. class imbalance) polega na tym, że niektóre klasy w zbiorze danych uczących mają znacznie mniej przykładów niż inne. Może to prowadzić do tego, że model będzie ignorował mniej liczne klasy lub nie nauczy się ich prawidłowo rozpoznawać, ponieważ nie będzie miał wystarczającej liczby danych, aby skutecznie się na nich uczyć. [eduexe-source]11:4[/eduexe-source][eduexe-source]14:5[/eduexe-source]

[student_1136_ed1]

Czym się różni zbiór uczący od zbioru testowego?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Zbiór uczący (treningowy) to zestaw danych, na których model uczy się, znając z góry prawidłową klasyfikację. Zbiór testowy to natomiast zbiór przykładów, których model nie widział podczas uczenia się i służy do sprawdzenia, jak dobrze model radzi sobie z nowymi danymi. Wyniki na zbiorze testowym są miarą skuteczności modelu. [eduexe-source]15:3[/eduexe-source]

[student_1136_ed1]

Podaj definicje: epoki, wsad i współczynnika uczenia się

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Epoka to pojedyncze przejście modelu przez cały zbiór uczący w procesie trenowania. [eduexe-source]20:1[/eduexe-source]

Wsad to porcja przykładów, które model przetwarza jednocześnie. [eduexe-source]20:1[/eduexe-source]

Współczynnik uczenia się to parametr modelu, który określa, jak duże kroki w kierunku poprawnego rozwiązania po każdej nowej ekspozycji na dane model będzie wykonywał. [eduexe-source]20:1[/eduexe-source]

[student_1136_ed1]

Czym są metryki?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Metrykami w Uczeniu Maszynowym określamy miary oceny wytrenowanych modeli. Metryka jest funkcją, która zwraca wartość pozwalającą porównać model z innymi. Im wyższa wartość metryki, tym lepsza ocena modelu. [eduexe-source]21:1[/eduexe-source]

[student_1136_ed1]

Do czego używa się metryk?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Błąd system LLM.

[student_1136_ed1]

Do czego używa się metryk?

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Metryki w Uczeniu Maszynowym służą do oceny wytrenowanych modeli, umożliwiając ich porównywanie. Metryka zwraca wartość, która pozwala ocenić, jak dobry jest model – im wyższa wartość, tym lepsza ocena. [eduexe-source]21:1[/eduexe-source]