Przed nami kolejny tydzień z Letnią Akademią OSE. W ramach naszego wakacyjnego cyklu w każdy wtorek przybliżamy Wam ciekawe zagadnienia związane ze sztuczną inteligencją (SI), a w czwartki zdradzamy tajniki programowania. Jesteście gotowi na nową pigułkę wiedzy? Zapraszamy!

Uczenie maszynowe – trzy grupy

Wiemy już, że dzięki uczeniu maszynowemu maszyny mogą na podstawie zdobywanego doświadczenia uczyć się i coraz lepiej wykonywać powierzone im zadania, m.in. przeprowadzać analizy, rozpoznawać wzorce, obrazy i dźwięki. Aby lepiej zrozumieć, jak działa sztuczna inteligencja, należy przyjrzeć się różnym typom uczenia maszynowego. W klasycznym podejściu wyróżniamy trzy grupy machine learning:

  • Uczenie nadzorowane (ang. supervised learning) – to najpopularniejszy typ uczenia maszynowego. Jest stosunkowo łatwy w zastosowaniu i porównywalny do modelu obserwowanego u dzieci, czyli opiera się na przykładach. Maszynie dostarczane są dane wejściowe z poprawnymi odpowiedziami (tj. zbiory etykietowane), natomiast wyniki zwracane przez algorytmy to dane wyjściowe. Zbiory etykietowane wykorzystywane w uczeniu nadzorowanym to zatem pary danych wejście–wyjście. Dane tego typu trafiają jeden za drugim do algorytmu, a ten uczy się dostrzegać między nimi relacje i wskazywać współzależności. W ten sposób ustalany jest wzorzec, który można wykorzystać w podobnych przypadkach.
  • Uczenie nienadzorowane (ang. unsupervised learning) – występuje wtedy, gdy maszyna nie posiada danych wyjściowych, czyli „klucza odpowiedzi”, tylko zestaw danych, które sama musi analizować, by znaleźć wzorce. W uczeniu nienadzorowanym algorytm dostaje więc zbiór składający się jedynie z danych wejściowych, bez żadnych wskazówek i prawidłowych odpowiedzi. Szuka obiektów podobnych do siebie i wrzuca je do jednej grupy, tzw. klastra. Innymi słowy – obiekty o podobnych cechach zostają połączone w jedną klasę. Im więcej zbiorów danych, tym prezentowane wnioski są coraz bardziej precyzyjne.
  • Uczenie ze wzmocnieniem (ang. reinforcement learning) – jest w pewnym sensie uczeniem się na własnych błędach. Celem jest zaprojektowanie systemu, tzw. agenta, który poprawia swoją skuteczność działania przez interakcję z otoczeniem. Za każdy ruch agent otrzymuje informację zwrotną mierzoną przez funkcję wzmocnienia. Funkcja ta bada, jak dobra była podjęta przez agenta akcja ze względu na wcześniej zdefiniowany cel (np. wygrana w grze). Informacja zwrotna jest formą nagrody dla algorytmu. Agent uczy się wybierać akcje, które będę nagradzane, czyli takie, które przybliżają go do osiągnięcia celu.

Dla chętnych: materiały w kursie „Uczenie maszynowe – Moduł 3. Rodzaje uczenia maszynowego”

Ponadto w materiałach w kursie „Letnia Akademia OSE” znajdziecie wszystkie dotychczas publikowane pigułki wiedzy dotyczące sztucznej inteligencji i programowania. Wystarczy zalogować się na platformie i rozpocząć naukę.

Jeśli chcecie być na bieżąco z kolejnymi ciekawostkami, śledźcie aktualności na platformie oraz wpisy na stronie OSE – Ogólnopolska Sieć Edukacyjna na Facebooku. Do zobaczenia już w czwartek!

Inne aktualności

Zobacz więcej

Za nami kolejny dobry rok szkolny!

27.06.2025

2 tys. nauczycieli w projekcie OSEhero i 2468 ich inicjatyw, 2,5 tys. uczestników Kongresu OSE 2024, 31 nowych materiałów edukacyjnych, 5,5 tys. warsztatów w ramach „Szkoły międzypokoleniowej” – to tylko kilka liczb, którymi możemy opisać rok szkolny 2024/2025 w OSE.

Temat lekcji: patostreamy

26.06.2025

Patostreamy – choć bardzo szkodliwe – są obecne w sieci i stale znajdują szerokie grono odbiorców. Z czego to wynika i jak walczyć z tym zjawiskiem? Sprawdźcie.

Temat lekcji: manipulacje w sieci i teorie spiskowe

13.06.2025

Nikt z nas nie jest w pełni odporny na dezinformację, ale młodzi ludzie, z racji wieku, ulegają jej najczęściej. Skorzystajcie z materiałów dostępnych na OSE IT Szkole i pomówcie z uczniami o teoriach spiskowych i manipulacjach!

Kursy wybrane dla Ciebie

Wybierz poziom edukacyjny i sprawdź spersonalizowane rekomendacje kursów.