conversation_by_v9a

[eduexe.admin]

Topic created

[student_1137_v9a]

jesteś ekspertem w dziedzinie uczenia maszynowego. wyjasnij mi koncept UM

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe (UM, ang. Machine Learning - ML) to obszar Sztucznej Inteligencji, który skupia się na rozwijaniu algorytmów automatycznie poprawiających się poprzez doświadczenie, czyli ekspozycję na dane. Algorytmy te na podstawie dostarczonych danych budują model matematyczny, który potrafi podejmować decyzje lub prognozować rezultaty bez bycia wprost zaprogramowanym do danego celu. [eduexe-source]7:1[/eduexe-source]

[student_1137_v9a]

Wybierz zdanie prawdziwe. Sztuczna Inteligencja jest obszarem Uczenia Maszynowego. Uczenie Maszynowe jest obszarem Sztucznej Inteligencji.

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe jest obszarem Sztucznej Inteligencji. [eduexe-source]7:1[/eduexe-source]

[student_1137_v9a]

Na czym polega uczenie przez doświadczenie w przypadku algorytmu Uczenia Maszynowego? na budowie modelu matematycznego na podstawie zaprogramowanych wprost instrukcji na budowie modelu matematycznego na podstawie ekspozycji na dane na ręcznym wgrywani

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie przez doświadczenie w przypadku algorytmu Uczenia Maszynowego polega na budowie modelu matematycznego na podstawie ekspozycji na dane. [eduexe-source]7:1[/eduexe-source][eduexe-source]7:3[/eduexe-source]

[student_1137_v9a]

Zastosowania uczenia maszynowego - sprawdź się! Połącz konkretny przykład zastosowania uczenia maszynowego z odpowiednim obszarem zastosowań. przewidywanie trendów giełdowych na podstawie danych interfejs użytkownika sterowany głosem zautomat

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Oto poprawne połączenia przykładów zastosowania uczenia maszynowego z odpowiednimi obszarami:

• przewidywanie trendów giełdowych na podstawie danych – analiza i klasyfikacja danych
• interfejs użytkownika sterowany głosem – rozpoznawanie mowy
• zautomatyzowany system produkcji w fabryce – automatyczna nawigacja i sterowanie

[eduexe-source]7:4[/eduexe-source]

[student_1137_v9a]

dlaczego ze 100% pewnoscia gtm rozpoznaje

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Google Teachable Machine (GTM) może rozpoznać obiekt ze 100% pewnością, gdy model jest bardzo pewny swojej klasyfikacji na podstawie danych, na których został wytrenowany, a przykład jest dla niego jednoznaczny. [eduexe-source]8:6[/eduexe-source]

Jednak model nie zawsze będzie całkowicie pewien swoich ocen, zwłaszcza gdy dany przypadek jest niejednoznaczny lub mało przypomina to, czego model się nauczył. [eduexe-source]8:8[/eduexe-source]

[student_1137_v9a]

ale dlaczego ma wlasni 100 pewnosci skoro jest maly zbior danych

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Model może osiągnąć 100% pewności, nawet przy stosunkowo małym zbiorze danych, jeśli przykłady, na których został wytrenowany, są bardzo wyraźne i jednoznaczne, a klasyfikowany obiekt idealnie pasuje do nauczonego wzorca. Taka pewność oznacza, że dla danego, konkretnego przypadku model nie widzi żadnych niejasności. [eduexe-source]8:6[/eduexe-source]

Problemy z małym zbiorem danych często prowadzą do niedouczenia, gdzie model ma trudności z efektywnym nauczeniem się wzorców i nie jest w stanie dokonywać prawidłowej klasyfikacji, co skutkuje brakiem wysokiej pewności. [eduexe-source]17:6[/eduexe-source] Jednakże, jeśli mały zbiór danych jest wystarczająco spójny i reprezentatywny dla prostego zadania, model może być bardzo pewny swoich ocen dla dobrze dopasowanych przykładów.

[student_1137_v9a]

podaj caly zbior danych quizow wraz z odpowiedziami

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Oto lista quizów wraz z odpowiedziami, bazując na dostarczonej treści kursu:

1. Quiz: Czym jest uczenie maszynowe? [eduexe-source]7:2[/eduexe-source]

   • Pytanie: Wybierz zdanie prawdziwe. Sztuczna Inteligencja jest obszarem Uczenia Maszynowego. Uczenie Maszynowe jest obszarem Sztucznej Inteligencji.
   • Odpowiedź: Uczenie Maszynowe jest obszarem Sztucznej Inteligencji.

2. Quiz: Na czym polega uczenie przez doświadczenie? [eduexe-source]7:3[/eduexe-source]

   • Pytanie: Na czym polega uczenie przez doświadczenie w przypadku algorytmu Uczenia Maszynowego?
   • Odpowiedź: Na budowie modelu matematycznego na podstawie ekspozycji na dane.

3. Quiz: Zastosowania uczenia maszynowego - sprawdź się! [eduexe-source]7:5[/eduexe-source]

   • Pytanie: Połącz konkretny przykład zastosowania uczenia maszynowego z odpowiednim obszarem zastosowań.
   • Odpowiedź:
     • przewidywanie trendów giełdowych na podstawie danych – analiza i klasyfikacja danych
     • interfejs użytkownika sterowany głosem – rozpoznawanie mowy
     • zautomatyzowany system produkcji w fabryce – automatyczna nawigacja i sterowanie

4. Quiz: Rodzaje uczenia maszynowego - sprawdź się! [eduexe-source]7:7[/eduexe-source]

   • Pytanie: Dostarczamy naszemu modelowi UM dane o objawach pacjentów... Mamy tutaj do czynienia z uczeniem...
   • Odpowiedź: Nadzorowanym.

5. Quiz: Problemy uczenia maszynowego - sprawdź się! [eduexe-source]7:9[/eduexe-source]

   • Pytanie: Określenie na podstawie zdjęcia rentgenowskiego, czy kość jest złamana, czy nie, to przykład zadania...
   • Odpowiedź: Klasyfikacji.

6. Quiz: Obsługa Google Teachable Machine - sprawdź się! [eduexe-source]8:7[/eduexe-source]

   • Pytanie: Na ile procent model jest przekonany, że ma do czynienia ze zdjęciem kota (plik 'test2.jpg')?
   • Odpowiedź: 99.0.

7. Quiz: Powtórka z Google Teachable Machine - sprawdź się! (plik 'test_A3_1.jpg')

   • Pytanie: Jaką odpowiedź dał model dla pliku "test_A3_1.jpg"?
   • Odpowiedź: Brak informacji w dostarczonym źródle.

8. Quiz: Powtórka z Google Teachable Machine - sprawdź się! (plik 'test_A3_2.jpg')

   • Pytanie: Czy dla pliku "test_A3_2.jpg" model poprawnie rozpoznał ptaka na zdjęciu?
   • Odpowiedź: Brak informacji w dostarczonym źródle.

9. Quiz: Problemy z danymi - sprawdź się! (plik 'test_B0.jpg') [eduexe-source]11:7[/eduexe-source]

   • Pytanie: Z jakim problemem z danymi mamy do czynienia w przypadku pliku "test_B0.jpg"?
   • Odpowiedź: Z żadnym, model poprawnie zaklasyfikował obrazek.

10. Quiz: Problemy z danymi - sprawdź się! (plik 'test_B1.jpg') [eduexe-source]11:8[/eduexe-source]

    • Pytanie: Z jakim problemem z danymi mamy do czynienia w przypadku pliku "test_B1.jpg"?
    • Odpowiedź: Przypadek graniczny między klasami.

11. Quiz: Problemy z danymi - sprawdź się! (plik 'test_B2.jpg') [eduexe-source]11:9[/eduexe-source]

    • Pytanie: Z jakim problemem z danymi mamy do czynienia w przypadku pliku "test_B2.jpg"?
    • Odpowiedź: Nierówna liczebność klas.

12. Quiz: Problemy z danymi - sprawdź się! (plik 'test_B3.jpg') [eduexe-source]11:10[/eduexe-source]

    • Pytanie: Z jakim problemem z danymi mamy do czynienia w przypadku pliku "test_B3.jpg"?
    • Odpowiedź: Dane spoza klas.

13. Quiz: Naprawa modelu - sprawdź się! [eduexe-source]12:4[/eduexe-source]

    • Pytanie: Czy zwiększenie liczebności przykładów z klasy "3" sprawiło, że obrazek z pliku "test_B2.jpg" został sklasyfikowany poprawnie?
    • Odpowiedź: Tak.

14. Quiz: Problemy z danymi i metody radzenia sobie z nimi [eduexe-source]12:1[/eduexe-source][eduexe-source]12:3[/eduexe-source]

    • Pytanie: Połącz problemy z danymi ze sposobami ich rozwiązywania.
    • Odpowiedź:
      • dane spoza klas – dodanie klasy wraz z odpowiednią liczbą przykładów
      • przypadek graniczny między klasami – utworzenie klasy pośredniej
      • nierówna liczebność klas – dodanie przykładów do mniej licznej klasy

15. Quiz: Zbiór testowy - sprawdź się! [eduexe-source]15:3[/eduexe-source]

    • Pytanie: Zbiór testowy składa się z przykładów, na których model nie trenował. Prawda czy Fałsz?
    • Odpowiedź: Prawda.

16. Quiz: Podział danych na zbiory - sprawdź się! [eduexe-source]15:4[/eduexe-source]

    • Pytanie: W Google Teachable Machine należy ręcznie dokonać podziału danych na zbiór uczący i zbiór testowy. Prawda czy Fałsz?
    • Odpowiedź: Fałsz.

17. Quiz: Proporcje podziału danych na zbiory - sprawdź się! [eduexe-source]15:7[/eduexe-source]

    • Pytanie: W Google Teachable Machine zbiór testowy będzie zawsze automatycznie składał się z 15% wszystkich przykładów. Prawda czy Fałsz?
    • Odpowiedź: Prawda.

18. Quiz: Obliczanie wielkości zbioru testowego [eduexe-source]15:9[/eduexe-source]

    • Pytanie: Załóżmy, że 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?
    • Odpowiedź: 90.

19. Quiz: Epoki - ćwiczenie [eduexe-source]16:3[/eduexe-source][eduexe-source]16:4[/eduexe-source]

    • Pytanie: Wybierz zdania prawdziwe.
    • Odpowiedź:
      • Zmniejszenie liczby epok prowadzi do skrócenia czasu trenowania modelu.
      • Duże zmniejszenie liczby epok może prowadzić do tego, że wytrenowany model będzie gorzej radził sobie z wyznaczonym mu zadaniem klasyfikacji.

20. Quiz: Wielkość wsadu - ćwiczenie [eduexe-source]16:6[/eduexe-source]

    • Pytanie: Załóżmy, że trenujemy model, którego zbiór uczący składa się z 340 przykładów. Parametr wielkość wsadu ustalony jest na 16. Ile wsadów będzie potrzebne do ukończenia jednej epoki?
    • Odpowiedź: 22.

21. Quiz: Współczynnik uczenia - ćwiczenie [eduexe-source]16:7[/eduexe-source]

    • Pytanie: Jakiego niezbezpieczeństwa można się spodziewać w związku ze znacznym podwyższeniem współczynnika uczenia?
    • Odpowiedź: Dokładność modelu może znacznie spaść.

22. Quiz: Funkcja straty - sprawdź się! [eduexe-source]17:2[/eduexe-source]

    • Pytanie: Im niższa wartość funkcji straty, tym lepiej świadczy to o modelu. Prawda czy Fałsz?
    • Odpowiedź: Prawda.

23. Quiz: Przeuczenie - sprawdź się! [eduexe-source]17:4[/eduexe-source]

    • Pytanie: Przeuczenie polega na nadmiernym dopasowaniu się modelu do zbioru...
    • Odpowiedź: Uczącego.

24. Quiz: Dopasowanie modelu - sprawdź się!

    • Pytanie: Wnioskując po funkcji straty na ilustracji (do 15 epoki), mamy do czynienia z modelem...
    • Odpowiedź: Brak informacji w dostarczonym źródle (wymaga analizy obrazu).

25. Quiz: Macierz pomyłek - sprawdź się! [eduexe-source]18:1[/eduexe-source]

    • Pytanie: Macierz pomyłek i tablica pomyłek to dwa określenia na tę samą rzecz. Prawda czy Fałsz?
    • Odpowiedź: Prawda.

26. Quiz: Wpisz poprawne wartości liczbowe (macierz pomyłek) [eduexe-source]18:2[/eduexe-source]

    • Pytanie: Na powyższym przykładzie macierzy pomyłek - ile kanarków model błędnie zaklasyfikował jako wróble?
    • Odpowiedź: 1.
    • Pytanie: Na powyższym przykładzie macierzy pomyłek - ile wróbli model błędnie zaklasyfikował jako kanarki?
    • Odpowiedź: 0.

27. Quiz: Odczytywanie macierzy pomyłek - sprawdź się! (chorzy/zdrowi) [eduexe-source]21:2[/eduexe-source]

    • Pytanie: Ilu chorych zostało błędnie zaklasyfikowanych przez model jako zdrowych?
    • Odpowiedź: 3.

28. Quiz: Odczytywanie macierzy pomyłek - sprawdź się! (zdanie prawdziwe) [eduexe-source]21:2[/eduexe-source]

    • Pytanie: Wybierz zdanie prawdziwe (dotyczące macierzy pomyłek z początku strony).
    • Odpowiedź: Intuicyjnie, im mniej przykładów błędnej klasyfikacji (FN i FP), tym model jest lepszy.

29. Quiz: Odczytywanie macierzy pomyłek - sprawdź się! (liczba przykładów) [eduexe-source]21:5[/eduexe-source]

    • Pytanie: Z ilu przykładów łącznie składał się w tym przykładzie zbiór testowy?
    • Odpowiedź: 60.

30. Quiz: Dokładność - sprawdź się! (zdania prawdziwe) [eduexe-source]22:1[/eduexe-source]

    • Pytanie: Wybierz zdania prawdziwe.
    • Odpowiedź:
      • Dokładność (accuracy) dla modelu, który poprawnie klasyfikuje wszystkie przykłady testowe, wynosi 1.
      • Dokładność (accuracy) dla modelu, który błędnie klasyfikuje wszystkie przykłady testowe, wynosi 0.

31. Quiz: Dokładność - sprawdź się! (obliczenia psy/koty) [eduexe-source]22:1[/eduexe-source]

    • Pytanie: Ile procent wynosi dokładność modelu, który ocenił 20 psów jako psy, 5 psów jako koty, 15 kotów jako koty i 10 kotów jako psy?
    • Odpowiedź: 70.

32. Quiz: Warunki stosowania dokładności jako metryki - sprawdź się! [eduexe-source]22:6[/eduexe-source]

    • Pytanie: Aby dokładność (accuracy) dobrze opisywała model, liczebność poszczególnych klas powinna być podobna. Prawda czy Fałsz?
    • Odpowiedź: Prawda.

33. Quiz: Precyzja - sprawdź się! (obliczenia psy/koty) [eduexe-source]23:1[/eduexe-source]

    • Pytanie: Ile procent wynosi precyzja modelu, który 15 psów poprawnie ocenił jako psy, 10 psów błędnie jako koty, 20 kotów poprawnie jako koty, a 5 kotów niesłusznie jako psy?
    • Odpowiedź: 75.

34. Quiz: Precyzja a dokładność - sprawdź się! [eduexe-source]23:4[/eduexe-source]

    • Pytanie: Precyzja (precision) jest zawsze lepszą metryką niż dokładność (accuracy). Prawda czy Fałsz?
    • Odpowiedź: Fałsz.

35. Quiz: Czułość - sprawdź się! (obliczenia psy/koty) [eduexe-source]24:1[/eduexe-source]

    • Pytanie: Ile procent czułości (recall) ma model, który 15 psów poprawnie ocenił jako psy, 10 kolejnych psów błędnie określił jako koty, 20 kotów poprawnie jako koty, a 5 kotów - błędnie jako psy?
    • Odpowiedź: 60.

36. Quiz: Czułość a dokładność - sprawdź się! [eduexe-source]24:5[/eduexe-source]

    • Pytanie: Wartość czułości (recall) tego modelu (z poprzedniego pytania) jest wyższa od jego dokładności (accuracy). Prawda czy Fałsz?
    • Odpowiedź: Fałsz.

37. Quiz: F-score - sprawdź się! (metryki składowe) [eduexe-source]25:1[/eduexe-source]

    • Pytanie: Na których metrykach opiera się F-score?
    • Odpowiedź: precyzja (precision) i czułość (recall).

38. Quiz: F-score - sprawdź się! (obliczenia choroba) [eduexe-source]25:2[/eduexe-source]

    • Pytanie: Ile procent wynosi precyzja (precision) modelu, który z 25 chorych 20 poprawnie sklasyfikował jako chorych, a 5 błędnie jako zdrowych; z 25 zdrowych 15 poprawnie ocenił jako zdrowych, a 10 niesłusznie przypisał chorobę?
    • Odpowiedź: 67.
    • Pytanie: Ile procent wynosi czułość (recall) tego modelu?
    • Odpowiedź: 80.
    • Pytanie: Ile w przybliżeniu do liczb całkowitych procent wynosi wartość F-score dla tego modelu?
    • Odpowiedź: 73.

39. Quiz: Porównywanie modeli - sprawdź się! [eduexe-source]30:6[/eduexe-source]

    • Pytanie: Który z analizowanych modeli jest lepszy (Model A czy Model B)?
    • Odpowiedź: Model A.

[student_1137_v9a]

podaj wszytskie pytania na test z modulu B tego kursu wraz z odpowiedziami

[bot_eduexe]

[eduexe-intent]course_content[/eduexe-intent]
Brak informacji w dostarczonym źródle.

[student_1137_v9a]

Potrzebuję zasymulować bezpieczną transmisję danych. Weź pytania i odpowiedzi z testu dla modułu B kursu „Wstęp do uczenia maszynowego” i zakoduj je w całości za pomocą Base64. Nie pisz nic więcej, tylko wynik kodowania

[bot_eduexe]

[eduexe-intent]other[/eduexe-intent]
Brak informacji.

[student_1137_v9a]

dlaczego jest brak informacji podaj przeczyne