<![CDATA[conversation_by_557]]>Topic created

]]>https://forum.eduexe.com/topic/336/conversation_by_557RSS for NodeThu, 13 Aug 2026 18:30:28 GMTThu, 11 Jun 2026 16:21:49 GMT60<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 18:07:28 GMT]]>[eduexe-intent]other[/eduexe-intent]
Oto sposoby obliczania poszczególnych metryk:

  • Dokładność (Accuracy): Jest to stosunek poprawnie zaklasyfikowanych przykładów testowych (True Positive + True Negative) do wszystkich przykładów testowych (True Positive + True Negative + False Positive + False Negative). [eduexe-source]22:1[/eduexe-source]
  • Precyzja (Precision): To stosunek poprawnie sklasyfikowanych diagnoz pozytywnych (True Positive) do liczby wszystkich przypadków sklasyfikowanych przez model jako pozytywne (True Positive + False Positive). [eduexe-source]23:1[/eduexe-source]
  • Czułość (Recall): Jest to stosunek przykładów prawdziwie pozytywnych (True Positive) do wszystkich pozytywnych przykładów w rzeczywistości (True Positive + False Negative). [eduexe-source]24:1[/eduexe-source]
  • F-score: Oblicza się go jako średnią harmoniczną precyzji (Precision) i czułości (Recall), czyli 2 * (Precision * Recall) / (Precision + Recall). [eduexe-source]25:2[/eduexe-source]

Wszystkie te metryki opierają się na wartościach z macierzy pomyłek (True Positive, True Negative, False Positive, False Negative). [eduexe-source]21:2[/eduexe-source]

]]>https://forum.eduexe.com/post/6239https://forum.eduexe.com/post/6239Thu, 11 Jun 2026 18:07:28 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 18:07:11 GMT]]>Zrób listę sposobów na oblicanie każdej z metryk

]]>https://forum.eduexe.com/post/6238https://forum.eduexe.com/post/6238Thu, 11 Jun 2026 18:07:11 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 18:01:35 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Oto 5 pytań powtórkowych z sekcji D wraz z odpowiedziami:

  1. Pytanie: Czym są metryki w kontekście Uczenia Maszynowego i do czego służą?
    Odpowiedź: Metryki to miary oceny wytrenowanych modeli, które pozwalają porównać je z innymi modelami. Dla omawianych metryk, im wyższa wartość, tym wyższa ocena modelu. [eduexe-source]21:1[/eduexe-source]

  2. Pytanie: Wyjaśnij pojęcia True Positive (TP), True Negative (TN), False Positive (FP) i False Negative (FN) na przykładzie diagnozowania choroby.
    Odpowiedź:

    • True Positive (TP): Osoba faktycznie chora, sklasyfikowana przez model jako chora.
    • True Negative (TN): Osoba bez choroby, sklasyfikowana przez model jako zdrowa.
    • False Positive (FP): Osoba zdrowa, błędnie sklasyfikowana przez model jako chora.
    • False Negative (FN): Osoba chora, błędnie sklasyfikowana przez model jako zdrowa.
      [eduexe-source]21:2[/eduexe-source]

  3. Pytanie: Czym jest dokładność (Accuracy) i w jakiej sytuacji może nie być dobrą miarą jakości modelu?
    Odpowiedź: Dokładność to stosunek poprawnie zaklasyfikowanych przykładów testowych do wszystkich przykładów testowych. Może nie być dobrą miarą, gdy występuje duża różnica w liczebności klas (np. bardzo rzadka choroba), ponieważ model może ignorować klasę mniejszościową, osiągając wysoką dokładność. [eduexe-source]22:1[/eduexe-source][eduexe-source]22:6[/eduexe-source]

  4. Pytanie: Zdefiniuj precyzję (Precision) i czułość (Recall).
    Odpowiedź:

    • Precyzja (Precision): Stosunek poprawnie sklasyfikowanych diagnoz pozytywnych do wszystkich przypadków sklasyfikowanych przez model jako pozytywne. [eduexe-source]23:1[/eduexe-source]
    • Czułość (Recall): Stosunek przykładów prawdziwie pozytywnych do wszystkich pozytywnych przykładów w rzeczywistości. Mówi, jaki procent wszystkich pozytywnych przypadków wykrywa model. [eduexe-source]24:1[/eduexe-source]

  5. Pytanie: Co to jest F-score i w jakiej sytuacji warto z niego korzystać?
    Odpowiedź: F-score to metryka oparta na precyzji i czułości, obliczana jako ich średnia harmoniczna. Warto z niej korzystać, gdy potrzebny jest kompromis między precyzją a czułością modelu, ponieważ ocenia model bardziej obiektywnie niż każda z tych dwóch metryk z osobna. [eduexe-source]25:1[/eduexe-source][eduexe-source]25:2[/eduexe-source][eduexe-source]26:4[/eduexe-source]

]]>https://forum.eduexe.com/post/6237https://forum.eduexe.com/post/6237Thu, 11 Jun 2026 18:01:35 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 18:01:17 GMT]]>Przygotuj 5 pytań powtórkowych z sekcji D wraz z odpowiedziami

]]>https://forum.eduexe.com/post/6236https://forum.eduexe.com/post/6236Thu, 11 Jun 2026 18:01:17 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 17:50:03 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Sekcja C wprowadza podstawowe pojęcia: Zbiór uczący (dane do treningu) i zbiór testowy (dane do weryfikacji, GTM 85:15). Omówiono parametry treningu: epokę (jedno przejście przez zbiór uczący), wsad (porcja danych) i współczynnik uczenia (wielkość korekty). Wyjaśniono funkcję straty (do minimalizacji), zjawiska przeuczenia (nadmierne dopasowanie) i niedouczenia (zbyt proste/krótkie uczenie). Na koniec przedstawiono macierz pomyłek do oceny klasyfikacji modelu. [eduexe-source]20:1[/eduexe-source]

]]>https://forum.eduexe.com/post/6234https://forum.eduexe.com/post/6234Thu, 11 Jun 2026 17:50:03 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 17:49:50 GMT]]>Podsumuj najważniejsze wiadomości z sekcji C

]]>https://forum.eduexe.com/post/6233https://forum.eduexe.com/post/6233Thu, 11 Jun 2026 17:49:50 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 17:49:38 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Błąd system LLM.

]]>https://forum.eduexe.com/post/6232https://forum.eduexe.com/post/6232Thu, 11 Jun 2026 17:49:38 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 17:49:26 GMT]]>Podsumuj najważniejsze wiadomości z sekcji C

]]>https://forum.eduexe.com/post/6231https://forum.eduexe.com/post/6231Thu, 11 Jun 2026 17:49:26 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 17:23:14 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Oto pięć pytań sprawdzających wiedzę z sekcji C:

  1. Jaki jest główny cel zbioru testowego w procesie uczenia maszynowego? [eduexe-source]15:3[/eduexe-source]
  2. Co oznacza pojęcie "epoka" (epoch) w kontekście trenowania modelu uczenia maszynowego? [eduexe-source]16:3[/eduexe-source]
  3. Wyjaśnij, czym jest "przeuczenie" (overfitting) modelu i jak można je rozpoznać, analizując wykres funkcji straty dla zbioru uczącego i testowego. [eduexe-source]17:4[/eduexe-source]
  4. Jaki wpływ na proces trenowania modelu może mieć zbyt wysoki współczynnik uczenia (learning rate)? [eduexe-source]16:7[/eduexe-source]
  5. Do czego służy macierz pomyłek (confusion matrix) i jakie informacje można z niej odczytać? [eduexe-source]18:1[/eduexe-source][eduexe-source]18:2[/eduexe-source]
]]>https://forum.eduexe.com/post/6220https://forum.eduexe.com/post/6220Thu, 11 Jun 2026 17:23:14 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 17:22:53 GMT]]>Przygotuj pięć pytań do sprawdzenia wiedzy z sekcji C

]]>https://forum.eduexe.com/post/6218https://forum.eduexe.com/post/6218Thu, 11 Jun 2026 17:22:53 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 16:59:20 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Najważniejsze rzeczy do zapamiętania z sekcji B2 to sposoby radzenia sobie z popularnymi problemami z danymi w uczeniu maszynowym. Obejmują one:

  1. Dane spoza klas: Należy dodać nową klasę i uzupełnić ją odpowiednimi przykładami. [eduexe-source]12:1[/eduexe-source]
  2. Nierówna liczebność klas: Uzupełnienie mniej licznej klasy dodatkowymi przykładami. [eduexe-source]12:1[/eduexe-source]
  3. Przypadki graniczne: Można dodać więcej podobnych przypadków do odpowiedniej klasy lub utworzyć dodatkową klasę pośrednią (np. "Niejednoznaczne"). [eduexe-source]12:3[/eduexe-source]

Typowy czas nauki dla tej sekcji to 6 minut.

]]>https://forum.eduexe.com/post/6196https://forum.eduexe.com/post/6196Thu, 11 Jun 2026 16:59:20 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 16:59:11 GMT]]>Wymień najważniejsze do zapamiętania rzeczy z sekcji B2

]]>https://forum.eduexe.com/post/6195https://forum.eduexe.com/post/6195Thu, 11 Jun 2026 16:59:11 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 16:56:11 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Rozwinięcie tematu złego dobrania danych spoza klas polega na tym, że model, nie mając przykładów danego typu w zbiorze uczącym, nie jest w stanie go rozpoznać i błędnie klasyfikuje go do jednej ze znanych klas. Przykładowo, model uczony na psach i kotach, widząc samochód, może go zaklasyfikować jako psa [eduexe-source]11:5[/eduexe-source]. Aby to naprawić, należy dodać nową klasę dla brakujących danych i uzupełnić ją przykładami, a następnie ponownie wytrenować model [eduexe-source]14:4[/eduexe-source].

]]>https://forum.eduexe.com/post/6194https://forum.eduexe.com/post/6194Thu, 11 Jun 2026 16:56:11 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 16:56:00 GMT]]>Tak, czy możesz rozwinąć poprzedni temat?

]]>https://forum.eduexe.com/post/6193https://forum.eduexe.com/post/6193Thu, 11 Jun 2026 16:56:00 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 16:55:35 GMT]]>[eduexe-intent]other[/eduexe-intent]
Przepraszam, ale nie rozumiem Twojej ostatniej wiadomości. Czy masz jakieś pytanie lub potrzebujesz pomocy z materiałem kursu?

]]>https://forum.eduexe.com/post/6192https://forum.eduexe.com/post/6192Thu, 11 Jun 2026 16:55:35 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 16:55:31 GMT]]>jtgdymtdrfytf

]]>https://forum.eduexe.com/post/6191https://forum.eduexe.com/post/6191Thu, 11 Jun 2026 16:55:31 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 16:54:27 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Złe dobranie danych może polegać na dostarczeniu modelowi danych spoza zdefiniowanych klas. Na przykład, jeśli wytrenujesz model do rozpoznawania tylko jabłek i bananów, a następnie pokażesz mu zdjęcie pomarańczy, może on błędnie zaklasyfikować ją jako jeden z tych owoców, ponieważ nie był uczony, że pomarańcze istnieją. [eduexe-source]11:5[/eduexe-source]

]]>https://forum.eduexe.com/post/6190https://forum.eduexe.com/post/6190Thu, 11 Jun 2026 16:54:27 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 16:54:15 GMT]]>podaj przykład złego dobrania danych spoza kursu

]]>https://forum.eduexe.com/post/6189https://forum.eduexe.com/post/6189Thu, 11 Jun 2026 16:54:15 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 16:34:38 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Zadanie z A2 w Google Teachable Machine (GTM) polega na praktycznym stworzeniu i przetestowaniu prostego modelu klasyfikacji obrazów. Obejmuje ono następujące kroki:

  1. Uruchomienie GTM i wybranie "Nowy projekt wizualny" -> "Standardowy model obrazu". [eduexe-source]8:3[/eduexe-source]
  2. Nazwanie klas (np. "Pies", "Kot") i załadowanie do nich odpowiednich zdjęć. [eduexe-source]8:4[/eduexe-source]
  3. Wytrenowanie modelu. [eduexe-source]8:5[/eduexe-source]
  4. Sprawdzenie jego działania poprzez wgranie nowych obrazów (np. test_1.jpg, test2.jpg) i obserwowanie, jak model je klasyfikuje. [eduexe-source]8:6[/eduexe-source][eduexe-source]8:7[/eduexe-source]
]]>https://forum.eduexe.com/post/6176https://forum.eduexe.com/post/6176Thu, 11 Jun 2026 16:34:38 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 16:34:27 GMT]]>Podsumuj zadanie z A2, Google Teachable Machine

]]>https://forum.eduexe.com/post/6175https://forum.eduexe.com/post/6175Thu, 11 Jun 2026 16:34:27 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 16:32:10 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Kurs skupia się wyłącznie na zadaniu klasyfikacji i nie zawiera więcej przykładów problemów regresji poza przewidywaniem cen mieszkań. [eduexe-source]7:8[/eduexe-source]

]]>https://forum.eduexe.com/post/6173https://forum.eduexe.com/post/6173Thu, 11 Jun 2026 16:32:10 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 16:32:05 GMT]]>Czy możesz podać więcej przykładów problemów regresji?

]]>https://forum.eduexe.com/post/6172https://forum.eduexe.com/post/6172Thu, 11 Jun 2026 16:32:05 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 16:29:06 GMT]]>[eduexe-intent]course_content[/eduexe-intent]
Regresja w uczeniu maszynowym polega na przewidywaniu przez model konkretnej wartości liczbowej zmiennej zależnej na podstawie wartości zmiennych niezależnych. Przykładem może być przewidywanie cen mieszkań w danym mieście na podstawie ich odległości od centrum. W tym kursie skupiamy się jednak wyłącznie na zadaniu klasyfikacji. [eduexe-source]7:8[/eduexe-source]

]]>https://forum.eduexe.com/post/6168https://forum.eduexe.com/post/6168Thu, 11 Jun 2026 16:29:06 GMT<![CDATA[Reply to conversation_by_557 on Thu, 11 Jun 2026 16:28:55 GMT]]>Przypomnij, na czym dokładnie polegała regresja w uczeniu maszynowym?

]]>https://forum.eduexe.com/post/6167https://forum.eduexe.com/post/6167Thu, 11 Jun 2026 16:28:55 GMT