Eduexe Forum

[eduexe-intent]student_progress[/eduexe-intent]
Świetnie Ci idzie! Poświęciłeś już 653 minuty na kurs, co pokazuje Twoje zaangażowanie. Szczególnie dobrze poradziłeś sobie z pytaniem o uczenie przez doświadczenie w komponencie A1 [eduexe-source]7:3[/eduexe-source] oraz poprawnie określiłeś pewność modelu w Google Teachable Machine w komponencie A2 [eduexe-source]8:7[/eduexe-source].

[eduexe-intent]other[/eduexe-intent]
Zgadza się, masz rację! W Uczeniu Maszynowym programista nie musi ręcznie tworzyć każdej reguły decyzyjnej. Model uczy się ich sam na podstawie danych. [eduexe-source]7:1[/eduexe-source]

Czy chcesz, abym przeszedł do kolejnego tematu, czy masz jeszcze jakieś pytania dotyczące aktualnego?

[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe to jak nauka dla komputera: zamiast mówić mu dokładnie, co ma robić w każdej sytuacji, pokazujesz mu mnóstwo przykładów. On sam, na ich podstawie, uczy się rozpoznawać wzorce i podejmować decyzje dla nowych danych.

Przykład: Chcesz, by komputer odróżniał spam od ważnych e-maili. Pokazujesz mu tysiące wiadomości, mówiąc, które to spam, a które nie. Komputer sam uczy się cech spamu i potrafi potem filtrować nowe e-maile.

Pytanie: Czy Uczenie Maszynowe wymaga od programisty ręcznego tworzenia każdej reguły decyzyjnej? [eduexe-source]7:1[/eduexe-source]

[eduexe-intent]student_progress[/eduexe-intent]
Na podstawie Twoich błędnych i pominiętych odpowiedzi, powinieneś powtórzyć:

Krok 1: Moduł A1 - Wprowadzenie do Uczenia Maszynowego.
Skup się na definicji UM i AI, zastosowaniach, rodzajach (nadzorowane, nienadzorowane, przez wzmacnianie) i problemach (predykcja, klasyfikacja). Przejrzyj slajdy [eduexe-source]7:1[/eduexe-source] do [eduexe-source]7:9[/eduexe-source].

Krok 2: Zwróć uwagę na przyszłe moduły.
Pominąłeś pytania o metryki oceny modelu ([eduexe-source]21:1[/eduexe-source]), zjawisko przeuczenia ([eduexe-source]17:4[/eduexe-source]) i rolę danych ([eduexe-source]11:1[/eduexe-source]). Te tematy będą omawiane dalej.

[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe to sposób, w jaki komputer uczy się wykonywać zadania, nie będąc do nich bezpośrednio zaprogramowanym. Zamiast dostawać dokładne instrukcje, "uczy się" na podstawie wielu przykładów (danych) i sam znajduje wzorce, by podejmować decyzje lub prognozować rezultaty. [eduexe-source]7:1[/eduexe-source]

Przykład: Wyobraź sobie, że chcesz, by komputer odróżniał zdjęcia psów od kotów. Zamiast pisać szczegółowe reguły, jak wygląda każdy pies i kot, pokazujesz mu setki zdjęć psów (oznaczonych jako "pies") i kotów (oznaczonych jako "kot"). Komputer sam uczy się rozpoznawać cechy i potem, widząc nowe zdjęcie, sam decyduje, co to jest.

Pytanie: Czy w uczeniu maszynowym programista musi opisać każdą możliwą regułę, by komputer podjął decyzję?

[eduexe-intent]student_progress[/eduexe-intent]
Główna różnica między algorytmami Uczenia Maszynowego a tradycyjnym programowaniem polega na tym, że algorytmy UM automatycznie poprawiają się poprzez doświadczenie i ekspozycję na dane, budując model matematyczny, który podejmuje decyzje bez potrzeby bycia wprost zaprogramowanym do danego celu. [eduexe-source]7:1[/eduexe-source]

[eduexe-intent]student_progress[/eduexe-intent]
Dobrze, oto 3 krótkie pytania kontrolne na podstawie aktualnej części kursu:

1. Wskaż jedną kluczową cechę odróżniającą algorytmy Uczenia Maszynowego od tradycyjnego programowania. [eduexe-source]7:1[/eduexe-source]
2. Jakie są główne elementy Uczenia Maszynowego, według definicji przedstawionej w kursie? [eduexe-source]7:1[/eduexe-source]
3. Co w kontekście Uczenia Maszynowego oznacza "uczenie się przez doświadczenie"? [eduexe-source]7:1[/eduexe-source][eduexe-source]7:3[/eduexe-source]

[eduexe-intent]student_progress[/eduexe-intent]
Na podstawie Twoich postępów, które wskazują na dopiero rozpoczęcie kursu (0 minut spędzonych, 1 wizyta, jesteś w komponencie "Start"), najważniejszą rzeczą, którą powinieneś teraz zrobić, jest rozwiązanie testu początkowego. Pomoże Ci to zorientować się w Twojej aktualnej wiedzy z Uczenia Maszynowego.

Pierwszy konkretny krok: Przejdź do "Testu początkowego". [eduexe-source]1:1[/eduexe-source]

[eduexe-intent]other[/eduexe-intent]
Bardzo się cieszę, że udało mi się to wyjaśnić. Zrozumienie tej podstawowej różnicy jest kluczowe. Kiedy opanujesz fundamenty, reszta materiału stanie się znacznie prostsza. Gdyby pojawiły się kolejne pytania, jestem do dyspozycji.
[eduexe-source]7:8[/eduexe-source]

[eduexe-intent]other[/eduexe-intent]
Jasne. Wyobraź sobie, że:

Klasyfikacja to przypisywanie do grup, np. decydowanie, czy na zdjęciu jest pies, czy kot. Odpowiada na pytanie "co to jest?".

Predykcja to przewidywanie konkretnej liczby, np. jaka będzie cena mieszkania. Odpowiada na pytanie "ile?".

Krótko mówiąc: klasyfikacja to "która kategoria?", a predykcja to "jaka wartość?".
[eduexe-source]7:8[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent]
Rozumiem, że materiał może na początku wydawać się trudny. Nie martw się, to normalne. Spróbujmy podejść do tego inaczej. Zamiast powtarzać cały moduł, skupmy się na jednym, małym zagadnieniu, żeby złapać grunt pod nogami.

Czy chcesz, żebym jeszcze raz, prostymi słowami, wyjaśnił Ci różnicę między klasyfikacją a predykcją? To jedno z kluczowych pojęć, a jego zrozumienie bardzo ułatwia dalszą naukę. [eduexe-source]7:8[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent]
Przykro mi to słyszeć. Chciałbym Ci pomóc. Czy możesz powiedzieć, co konkretnie Ci się nie podoba? Może to kwestia trudności materiału, formy przekazu lub czegoś innego? Twoja opinia jest ważna i być może uda mi się coś doradzić lub wyjaśnić, aby nauka stała się dla Ciebie przyjemniejsza.

[eduexe-intent]student_progress[/eduexe-intent]
Spędziłaś w kursie około 18 minut. Ukończyłaś moduł "Wprowadzenie do Uczenia Maszynowego" i rozpoczęłaś kolejny, dotyczący danych. Twój dotychczasowy wynik to 8 punktów. Kurs nie jest jeszcze ukończony.

Analiza Twoich odpowiedzi wskazuje na trudności w teście początkowym oraz w niektórych zadaniach z pierwszego modułu, zwłaszcza w odróżnianiu klasyfikacji od predykcji [eduexe-source]7:9[/eduexe-source] oraz w ćwiczeniach praktycznych w Google Teachable Machine.

[eduexe-intent]course_content[/eduexe-intent]
Proponuję zacząć od powtórzenia najbardziej podstawowych zagadnień. Najlepiej wrócić do modułu "Wprowadzenie do Uczenia Maszynowego" i skupić się na utrwaleniu różnic między rodzajami uczenia maszynowego oraz na odróżnieniu klasyfikacji od predykcji. Zrozumienie tych fundamentów ułatwi Ci dalszą naukę. [eduexe-source]7:6[/eduexe-source][eduexe-source]7:8[/eduexe-source]

[eduexe-intent]student_progress[/eduexe-intent]
Na podstawie Twoich dotychczasowych postępów, sugeruję powtórzyć następujące zagadnienia:

• Rodzaje uczenia maszynowego: Pojawiły się błędy w rozróżnianiu uczenia nadzorowanego, nienadzorowanego i przez wzmacnianie. Warto wrócić do tego materiału. [eduexe-source]7:6[/eduexe-source]
• Klasyfikacja a predykcja: Miałaś trudność z odróżnieniem tych dwóch typów problemów w uczeniu maszynowym. [eduexe-source]7:8[/eduexe-source]
• Podstawowe pojęcia: Warto utrwalić różnicę między przeuczeniem a niedouczeniem [eduexe-source]17:4[/eduexe-source] oraz rolę, jaką pełnią dane testowe w procesie uczenia. [eduexe-source]15:3[/eduexe-source]

[eduexe-intent]student_progress[/eduexe-intent]
Z analizy Twoich postępów wynika, że błędy pojawiły się w kilku miejscach:

1. W teście początkowym pomyliłaś pojęcie przeuczenia (overfitting) z niedouczeniem (underfitting) oraz błędnie wskazałaś, że dane testowe służą do trenowania modelu.
2. W module "Wprowadzenie do UM" miałaś trudność z odróżnieniem klasyfikacji od predykcji [eduexe-source]7:8[/eduexe-source] oraz pomyliłaś rodzaje uczenia maszynowego [eduexe-source]7:6[/eduexe-source].
3. W ćwiczeniu praktycznym w Google Teachable Machine kilkukrotnie podałaś błędną odpowiedź na pytanie o pewność modelu.

[eduexe-intent]student_progress[/eduexe-intent]
Z analizy Twoich postępów wynika, że nie popełniłaś jeszcze żadnych błędów. Jesteś na początku kursu i nie rozwiązywałaś jeszcze żadnych testów ani zadań, w których można by je popełnić.

[eduexe-intent]student_progress[/eduexe-intent]
Z analizy Twoich postępów wynika, że jesteś na samym początku kursu i nie masz jeszcze materiału do powtórzenia. Najlepiej będzie, jeśli rozpoczniesz naukę od pierwszego modułu merytorycznego: "Wprowadzenie do Uczenia Maszynowego". Pojęcia, o które pytałaś wcześniej, pochodzą z dalszej części kursu. [eduexe-source]7:1[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent]
Oto najważniejsze pojęcia z modułu "Podstawowe pojęcia UM":

• Zbiór uczący i testowy: Dane, na których model się uczy (uczący) oraz dane do sprawdzenia jego działania (testowy).
• Epoka: Jedno pełne przejście modelu przez cały zbiór uczący.
• Wsad: Porcja danych treningowych, którą model przetwarza jednocześnie.
• Współczynnik uczenia: Określa, jak duże "kroki" robi model, by poprawić swoje wyniki.
• Funkcja straty: Miara błędu modelu; im niższa, tym lepiej.
• Przeuczenie/Niedouczenie: Gdy model za dobrze/za słabo dopasował się do danych.
• Macierz pomyłek: Tabela pokazująca błędy klasyfikacji modelu.

[eduexe-source]20:1[/eduexe-source]

[eduexe-intent]course_content[/eduexe-intent]
Uczenie Maszynowe (UM, ang. Machine Learning - ML) to obszar Sztucznej Inteligencji (AI) skupiający się na rozwijaniu algorytmów, które automatycznie poprawiają się poprzez doświadczenie, czyli ekspozycję na dane. Algorytmy te, na podstawie dostarczonych danych, budują model matematyczny zdolny do podejmowania decyzji lub prognozowania rezultatów bez konieczności bycia wprost zaprogramowanym do danego celu. [eduexe-source]7:1[/eduexe-source]