<\/p>\n
[vc_row el_class=”container”][vc_column][vc_row_inner][vc_column_inner width=”1\/4″][vc_single_image image=”3291″ img_size=”large” alignment=”center” style=”vc_box_circle_2″ onclick=”link_image”]\r\n
dr Katarzyna Schmidt, prof. U\u015a<\/p>\n
\n<\/div>\r\n <\/div>\r\n <\/div>[\/vc_column_inner][vc_column_inner width=”3\/4″]\r\n
We wsp\u00f3\u0142czesnej erze technologii istnieje pewien zas\u00f3b, kt\u00f3rego ludzko\u015b\u0107 posiada ogromne pok\u0142ady. Zasobem tym s\u0105 niezliczone ilo\u015bci danych. W drugiej po\u0142owie XX wieku w wyniku bada\u0144 nad sztuczn\u0105 inteligencj\u0105, kt\u00f3rych celem by\u0142o opracowanie algorytm\u00f3w b\u0119d\u0105cych w stanie samodzielnie si\u0119 uczy\u0107 i pozyskiwa\u0107 wiedz\u0119 z danych oraz tworzy\u0107 na ich podstawie prognozy, powsta\u0142a dziedzina nauki zwana \u201cuczeniem maszynowym\u201d. Do tej pory okre\u015blaniem regu\u0142 i tworzeniem modeli przy pomocy analizy du\u017cych ilo\u015bci danych zajmowali si\u0119 specjalnie do tego zatrudnieni ludzie, co zajmowa\u0142o bardzo du\u017co czasu. Dzisiaj z pomoc\u0105 przychodzi uczenie maszynowe, dzi\u0119ki kt\u00f3remu w efektywniejszy spos\u00f3b rozwi\u0105zywane s\u0105 szeroko poj\u0119te problemy. Przy pomocy stopniowego poprawiania skuteczno\u015bci modeli predykcyjnych oraz podejmowania decyzji na podstawie informacji pozyskanych z analizy danych algorytmy uczenia maszynowego znacznie przyspieszaj\u0105 prace zwi\u0105zane z analiz\u0105 danych[1]<\/sup>. Rozw\u00f3j uczenia maszynowego staje si\u0119 coraz istotniejsz\u0105 dziedzin\u0105 dla nauk informatycznych, ale tak\u017ce dla u\u017cytku codziennego w innych dziedzinach \u017cycia. Dziedzinie tej zawdzi\u0119czamy wiele rozwi\u0105za\u0144, mi\u0119dzy innymi: filtry antyspamowe zaimplementowane w pocztach e-mail, efektywne wyszukiwanie tre\u015bci w przegl\u0105darkach internetowych, rozpoznawanie obiekt\u00f3w na zdj\u0119ciach lub w czasie rzeczywistym – co docelowo mo\u017ce doprowadzi\u0107 np. do powstania w pe\u0142ni bezpiecznych i wydajnych pojazd\u00f3w samojezdnych (autonomicznych). Uczenie maszynowe dzieli si\u0119 na trzy odmiany: uczenie nadzorowane, uczenie nienadzorowane oraz uczenie przez wzmocnienie. Ka\u017cdy z wymienionych rodzaj\u00f3w uczenia s\u0142u\u017cy do rozwi\u0105zywania innych problem\u00f3w[1]<\/sup>. Na wyk\u0142adzie om\u00f3wione zostan\u0105 w\/w odmiany oraz przyk\u0142ady ich zastosowania w \u017cyciu codziennym.<\/p>\n [1]<\/sup>\u00a0S.\u00a0Raschka, \u201cPython.\u00a0Uczenie\u00a0maszynowe\u201d,\u00a0Helion, 2018.<\/p>\n<\/div>\r\n <\/div>\r\n <\/div>[\/vc_column_inner][\/vc_row_inner][\/vc_column][\/vc_row]<\/p>\n <\/p>","protected":false},"excerpt":{"rendered":" [vc_row el_class=”container”][vc_column][vc_row_inner][vc_column_inner width=”1\/4″][vc_single_image image=”3291″ img_size=”large” alignment=”center” style=”vc_box_circle_2″ onclick=”link_image”][\/vc_column_inner][vc_column_inner width=”3\/4″][\/vc_column_inner][\/vc_row_inner][\/vc_column][\/vc_row] […]<\/p>\n