Uczenie maszynowe
Machine learning — uczenie nadzorowane, nienadzorowane, algorytmy klasyfikacji i regresji.
Artykuły w tym temacie
Uczenie nienadzorowane — klasteryzacja i redukcja wymiarów
Uczenie nienadzorowane odkrywa ukryte struktury w danych bez etykiet. Poznaj K-Means, DBSCAN, klasteryzację hierarchiczną, PCA i t-SNE — z interaktywną demon...
Regresja liniowa i logistyczna — od podstaw
Regresja liniowa przewiduje wartości ciągłe, logistyczna — prawdopodobieństwa klas. Poznaj OLS, gradient descent, regularyzację L1/L2 i sigmoid — fundamenty ...
Random Forest i Gradient Boosting — zespoły modeli
Random Forest i Gradient Boosting to potężne metody zespołowe łączące wiele drzew decyzyjnych. Poznaj bagging, boosting, XGBoost, LightGBM i CatBoost — kiedy...
Metryki oceny modeli ML — accuracy, precision, recall, F1
Jak oceniać modele uczenia maszynowego? Poznaj accuracy, precision, recall, F1-score, AUC-ROC, MSE, MAE i R² — kiedy która metryka jest odpowiednia i jakie s...
Uczenie nadzorowane — klasyfikacja i regresja
Uczenie nadzorowane to paradygmat ML, w którym model uczy się z etykietowanych danych. Dwa główne typy: klasyfikacja (przypisanie kategorii) i regresja (prze...
SVM (Support Vector Machine) — maszyna wektorów nośnych
Support Vector Machine (SVM) to algorytm uczenia maszynowego znajdujący optymalną hiperpłaszczyznę rozdzielającą klasy. Poznaj margines, wektory nośne, kerne...
Przygotowanie danych do machine learning
Przygotowanie danych to najważniejszy i najczęściej pomijany etap projektu ML — pochłania 60-80% czasu. Poznaj czyszczenie danych, feature engineering, skalo...
AutoML — automatyczne uczenie maszynowe
AutoML automatyzuje proces budowy modeli ML — od przygotowania danych po dobór algorytmu i optymalizację hiperparametrów. Poznaj narzędzia (Auto-sklearn, Aut...