Sztuczna_inteligencja_i_jej_zastosowania/regresja liniowa/regresja_liniowa_NMI.ipynb

{
 "cells": [
  {
   "cell_type": "markdown",
   "id": "4814259a-4af7-4839-a1dd-7f0e02837c3f",
   "metadata": {},
   "source": [
    "# Regresja liniowa"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "62ab7b17-f761-4723-8992-9620630fdaa6",
   "metadata": {},
   "source": [
    "Na dzisiejszych zajęciach omówimy problem predykcji informacji i jego rozwiązanie poprzez wykorzystanie regresji liniowej."
   ]
  },
  {
   "cell_type": "markdown",
   "id": "b01eb137-5b7d-4f09-abac-0410366df4a9",
   "metadata": {},
   "source": [
    "Zadaniem regresji liniowej jest po prostu dopasowanie prostej linii do danych. Warto podkreślić, że regresja liniowa przyjmuje założenie, że związek między cechami a zmienną objaśnianą jest mniej więcej liniowy. Regresja liniowa nie jest jedynym rodzajem regresji aczkolwiek jest to najprostsza wersja."
   ]
  },
  {
   "cell_type": "markdown",
   "id": "5dd39b3d-1a4b-44e5-9300-5ad796f7bb4c",
   "metadata": {},
   "source": [
    "Regresja może nam pomóc w predykcji (przewidzeniu) wartości jakiejś zmiennej objaśnianej (zależnej) na podstawie jakiś cech (zmiennych niezależnych)."
   ]
  },
  {
   "cell_type": "markdown",
   "id": "3e618a4a-4088-4c3c-8f98-64c8a3ae0b57",
   "metadata": {},
   "source": [
    "## Rozgrzewka"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "c4a323d0-e71f-48a9-bda0-17ca379b71da",
   "metadata": {},
   "source": [
    "Przeanalizuj poniższy wykres:"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "1c26ec9b-3e87-4cbc-810a-78d61936f28d",
   "metadata": {},
   "source": [
    "![](reglin.png)"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "f38c977c-490c-49d8-8853-8c24c8d7cc43",
   "metadata": {},
   "source": [
    "1. Dlaczego możemy zastosować regresję liniową do przewidywania informacji o danych?\n",
    "\n",
    "2. Co musimy znaleźć, aby móc dokonywać predykcji informacji? Co musimy mieć na uwadze, aby to znaleźć?"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "8f70342d-6503-4810-ba02-e0f4a6208bfc",
   "metadata": {},
   "source": [
    "## Przykład"
   ]
  },
  {
   "cell_type": "markdown",
   "id": "ebe61c55-c441-433d-8ba9-ec657ff5cc51",
   "metadata": {},
   "source": [
    "Załóżmy, że mamy uczniów, którzy pracują w kursie e-learningowym i ciekawi nas, czy zakończą pracę w tym kursie z sukcesem, tzn. zdobędą jak najlepszy wynik w końcowym teście zaliczeniowym. Aktualne informacje, które posiadamy, to czas spędzony w tym kursie, liczba rozwiązanych ćwiczeń, liczba elementów, których uczeń jeszcze nie odwiedził. Wiemy też, kiedy uczeń zaczął się uczyć i ile razy wchodził do kursu. Każdy uczeń ma też świadomość, że mają określony termin, do kiedy muszą podejść do końcowego testu zaliczeniowego."
   ]
  },
  {
   "cell_type": "markdown",
   "id": "e29d4510-b276-4697-bc68-2b9f497bbc9e",
   "metadata": {},
   "source": [
    "Powiedzmy, że na początek przyjrzymy się jednej z informacji - liczbie rozwiązanych ćwiczeń. Załóżmy, że w kursie jest 20 ćwiczeń do rozwiązania a wynik w końcowym teście zaliczeniowym badamy w procentach. Rok temu mieliśmy innych uczniów, którzy też pracowali z tym kursem e-learningowym i mamy informację o ich wynikach:"
   ]
  },
  {
   "cell_type": "code",
   "execution_count": null,
   "id": "de0afb23-6f48-439b-9377-480a0c82fe65",
   "metadata": {},
   "outputs": [],
   "source": []
  }
 ],
 "metadata": {
  "kernelspec": {
   "display_name": "Python 3 (ipykernel)",
   "language": "python",
   "name": "python3"
  },
  "language_info": {
   "codemirror_mode": {
    "name": "ipython",
    "version": 3
   },
   "file_extension": ".py",
   "mimetype": "text/x-python",
   "name": "python",
   "nbconvert_exporter": "python",
   "pygments_lexer": "ipython3",
   "version": "3.9.2"
  }
 },
 "nbformat": 4,
 "nbformat_minor": 5
}