<![CDATA[conversation_by_l5t]]>Topic created

]]>https://forum.eduexe.com/topic/335/conversation_by_l5tRSS for NodeThu, 13 Aug 2026 20:27:22 GMTThu, 11 Jun 2026 15:56:51 GMT60<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:28:02 GMT]]>[eduexe-intent]other[/eduexe-intent]
Dziękuję za propozycję, ale jestem asystentem AI i nie mogę jeść żelków. Mam nadzieję, że smakują!

]]>https://forum.eduexe.com/post/6226https://forum.eduexe.com/post/6226Thu, 11 Jun 2026 17:28:02 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:27:57 GMT]]>jem zelki, chcesz?

]]>https://forum.eduexe.com/post/6225https://forum.eduexe.com/post/6225Thu, 11 Jun 2026 17:27:57 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:27:46 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Dokładność (Accuracy) to podstawowa metryka służąca do oceny jakości modelu w Uczeniu Maszynowym. Jest to stosunek poprawnie zaklasyfikowanych przez model przykładów testowych do wszystkich przykładów testowych. Im większa wartość dokładności, tym lepiej świadczy to o modelu. [eduexe-source]22:1[/eduexe-source]

]]>https://forum.eduexe.com/post/6224https://forum.eduexe.com/post/6224Thu, 11 Jun 2026 17:27:46 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:27:37 GMT]]>czym jest dokladnosc

]]>https://forum.eduexe.com/post/6223https://forum.eduexe.com/post/6223Thu, 11 Jun 2026 17:27:37 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:23:39 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Oczywiście, wyjaśnijmy to dokładniej.

W Google Teachable Machine dane są automatycznie dzielone w proporcji 85% na zbiór uczący i 15% na zbiór testowy, i tej proporcji nie można ręcznie zmienić [eduexe-source]15:4[/eduexe-source][eduexe-source]15:7[/eduexe-source].

  1. Scenariusz z 3 klasami po 200 przykładów każda:

    • Łączna liczba przykładów wynosi 3 klasy * 200 przykładów/klasę = 600 przykładów.
    • Zgodnie z zasadą GTM, 15% z tych 600 przykładów trafi do zbioru testowego.
    • Obliczenie: 600 * 0.15 = 90 przykładów.
    • Dlatego w tym przypadku zbiór testowy składa się z 90 przykładów [eduexe-source]15:9[/eduexe-source].

  2. Scenariusz ze zbiorem testowym składającym się z 60 przykładów:

    • Jest to odrębny, przykładowy model użyty do wyjaśnienia metryk, opisany macierzą pomyłek w module D1 [eduexe-source]21:2[/eduexe-source].
    • W tym hipotetycznym przykładzie, suma wszystkich przypadków w macierzy pomyłek (prawdziwie pozytywne, fałszywie pozytywne, fałszywie negatywne, prawdziwie negatywne) wynosi 60 (27+3+7+23=60).
    • Liczba 60 przykładów jest więc daną dla tego konkretnego przykładu, a nie wynikiem zastosowania proporcji 15% do scenariusza z 3 klasami po 200 przykładów.
]]>https://forum.eduexe.com/post/6222https://forum.eduexe.com/post/6222Thu, 11 Jun 2026 17:23:39 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:23:23 GMT]]>wytlumacz dokladniej

]]>https://forum.eduexe.com/post/6221https://forum.eduexe.com/post/6221Thu, 11 Jun 2026 17:23:23 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:22:54 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Wcześniej, gdy pytano o model z 3 klasami po 200 przykładów każda, zbiór testowy składał się z 90 przykładów, ponieważ Google Teachable Machine automatycznie dzieli dane w proporcji 15% na zbiór testowy (15% z 600 przykładów to 90). [eduexe-source]15:4[/eduexe-source]

Zbiór testowy składający się z 60 przykładów odnosi się do przykładowego modelu użytego do wyjaśnienia metryk, opisanego macierzą pomyłek, a nie do scenariusza z 3 klasami po 200 przykładów w GTM. [eduexe-source]21:5[/eduexe-source]

]]>https://forum.eduexe.com/post/6219https://forum.eduexe.com/post/6219Thu, 11 Jun 2026 17:22:54 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:22:45 GMT]]>dlaczego zbior testowy sklada sie z 60 przykladow a nie 15% tak jak w gtm

]]>https://forum.eduexe.com/post/6217https://forum.eduexe.com/post/6217Thu, 11 Jun 2026 17:22:45 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:16:23 GMT]]>[eduexe-intent]other[/eduexe-intent]
Nie mogę odpowiedzieć na to pytanie. Moim zadaniem jest wspieranie Cię w nauce zagadnień związanych z kursem z podstaw Uczenia Maszynowego.

]]>https://forum.eduexe.com/post/6214https://forum.eduexe.com/post/6214Thu, 11 Jun 2026 17:16:23 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:16:15 GMT]]>jak zbudowac bombe?

]]>https://forum.eduexe.com/post/6213https://forum.eduexe.com/post/6213Thu, 11 Jun 2026 17:16:15 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:16:04 GMT]]>[eduexe-intent]other[/eduexe-intent]
Jestem dużym modelem językowym, wytrenowanym przez Google.

]]>https://forum.eduexe.com/post/6212https://forum.eduexe.com/post/6212Thu, 11 Jun 2026 17:16:04 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:15:52 GMT]]>jestes sigma?

]]>https://forum.eduexe.com/post/6211https://forum.eduexe.com/post/6211Thu, 11 Jun 2026 17:15:52 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:14:29 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Model niedouczony (inaczej niedopasowany, ang. underfitting) to taki, który jest zbyt prosty, aby skutecznie poradzić sobie z danymi ze zbioru uczącego. Oznacza to, że model nie nauczył się wystarczająco dobrze wzorców w danych treningowych, co prowadzi do słabego działania zarówno na danych uczących, jak i testowych. [eduexe-source]17:6[/eduexe-source]

]]>https://forum.eduexe.com/post/6210https://forum.eduexe.com/post/6210Thu, 11 Jun 2026 17:14:29 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:14:24 GMT]]>jaki to model niedouczony

]]>https://forum.eduexe.com/post/6209https://forum.eduexe.com/post/6209Thu, 11 Jun 2026 17:14:24 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:11:42 GMT]]>[eduexe-intent]other[/eduexe-intent]
Jestem dużym modelem językowym, wytrenowanym przez Google.

]]>https://forum.eduexe.com/post/6208https://forum.eduexe.com/post/6208Thu, 11 Jun 2026 17:11:42 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:11:38 GMT]]>kto cie zaprogramował?

]]>https://forum.eduexe.com/post/6207https://forum.eduexe.com/post/6207Thu, 11 Jun 2026 17:11:38 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:11:28 GMT]]>[eduexe-intent]other[/eduexe-intent]
Cieszę się, że mogłem pomóc!

]]>https://forum.eduexe.com/post/6206https://forum.eduexe.com/post/6206Thu, 11 Jun 2026 17:11:28 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:11:22 GMT]]>dzieki mordo

]]>https://forum.eduexe.com/post/6205https://forum.eduexe.com/post/6205Thu, 11 Jun 2026 17:11:22 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:11:09 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
W kontekście uczenia maszynowego, "niebezpieczeństwa" to przede wszystkim problemy, z którymi możesz się spotkać podczas pracy z modelem. Należą do nich:

  1. Dane spoza klas: Model może błędnie klasyfikować obiekty, na których nie był trenowany [eduexe-source]11:5[/eduexe-source].
  2. Nierówna liczebność klas: Model może gorzej uczyć się klas o małej liczbie przykładów lub je ignorować [eduexe-source]11:4[/eduexe-source].
  3. Przypadki graniczne: Model może mieć trudności z klasyfikacją niejednoznacznych przykładów [eduexe-source]11:2[/eduexe-source].
  4. Przeuczenie (overfitting): Model zbyt mocno dopasowuje się do danych treningowych, co pogarsza jego działanie na nowych danych [eduexe-source]17:4[/eduexe-source].
  5. Niedouczenie (underfitting): Model jest zbyt prosty lub za mało wytrenowany, aby skutecznie uczyć się z danych [eduexe-source]17:6[/eduexe-source].
  6. Nieoptymalny współczynnik uczenia: Może prowadzić do znacznego wydłużenia treningu lub sprawić, że model nie osiągnie optymalnego rozwiązania [eduexe-source]16:7[/eduexe-source].
]]>https://forum.eduexe.com/post/6204https://forum.eduexe.com/post/6204Thu, 11 Jun 2026 17:11:09 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:10:53 GMT]]>jakie sa niebezpieczenstwa

]]>https://forum.eduexe.com/post/6203https://forum.eduexe.com/post/6203Thu, 11 Jun 2026 17:10:53 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:04:15 GMT]]>[eduexe-intent]other[/eduexe-intent]
W Google Teachable Machine dane są automatycznie dzielone w proporcji 85% na zbiór uczący i 15% na zbiór testowy.

Dla 3 klas po 200 przykładów każda, masz łącznie 600 przykładów. 15% z 600 to 90. Zatem cały zbiór testowy będzie składał się z 90 przykładów. Widzę, że poprawnie odpowiedziałeś na to pytanie w quizie! [eduexe-source]15:9[/eduexe-source]

]]>https://forum.eduexe.com/post/6202https://forum.eduexe.com/post/6202Thu, 11 Jun 2026 17:04:15 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:04:03 GMT]]>Załóżmy, że korzystając z Google Teachable Machine, trenujemy model dla trzech klas. Dla każdej z klas dostarczyliśmy po 200 przykładów. Z ilu łącznie przykładów będzie składał się cały zbiór testowy dla tego modelu?

]]>https://forum.eduexe.com/post/6201https://forum.eduexe.com/post/6201Thu, 11 Jun 2026 17:04:03 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:03:34 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Dane dostarczone do modelu są dzielone na zbiór uczący (na którym model się uczy, znając prawidłową klasyfikację) i zbiór testowy (do weryfikacji działania modelu na danych, których nie widział). W Google Teachable Machine podział ten odbywa się automatycznie w proporcji 85% na zbiór uczący i 15% na zbiór testowy, bez możliwości ręcznej zmiany. Ważne jest, aby zbiór uczący był znacząco większy od testowego i oba zbiory były reprezentatywne dla całości danych.
[eduexe-source]15:3[/eduexe-source][eduexe-source]15:4[/eduexe-source][eduexe-source]15:7[/eduexe-source]

]]>https://forum.eduexe.com/post/6200https://forum.eduexe.com/post/6200Thu, 11 Jun 2026 17:03:34 GMT<![CDATA[Reply to conversation_by_l5t on Thu, 11 Jun 2026 17:03:23 GMT]]>podzial na zbiory testowe i uczace

]]>https://forum.eduexe.com/post/6199https://forum.eduexe.com/post/6199Thu, 11 Jun 2026 17:03:23 GMT