From 0f3f2f38b70a3c86b480173636404c4022bb8c2e Mon Sep 17 00:00:00 2001 From: =?UTF-8?q?Marcin=20Szczepa=C5=84ski?= Date: Wed, 18 Oct 2023 12:01:42 +0200 Subject: [PATCH] regresja liniowa --- .../regresja_liniowa_NMI-checkpoint.ipynb | 44 +++++++++++++++++- reglin.png => regresja liniowa/reglin.png | Bin .../regresja_liniowa_NMI.ipynb | 44 +++++++++++++++++- 3 files changed, 86 insertions(+), 2 deletions(-) rename {.ipynb_checkpoints => regresja liniowa/.ipynb_checkpoints}/regresja_liniowa_NMI-checkpoint.ipynb (51%) rename reglin.png => regresja liniowa/reglin.png (100%) rename regresja_liniowa_NMI.ipynb => regresja liniowa/regresja_liniowa_NMI.ipynb (51%) diff --git a/.ipynb_checkpoints/regresja_liniowa_NMI-checkpoint.ipynb b/regresja liniowa/.ipynb_checkpoints/regresja_liniowa_NMI-checkpoint.ipynb similarity index 51% rename from .ipynb_checkpoints/regresja_liniowa_NMI-checkpoint.ipynb rename to regresja liniowa/.ipynb_checkpoints/regresja_liniowa_NMI-checkpoint.ipynb index 334d0a9..ae5f7a1 100644 --- a/.ipynb_checkpoints/regresja_liniowa_NMI-checkpoint.ipynb +++ b/regresja liniowa/.ipynb_checkpoints/regresja_liniowa_NMI-checkpoint.ipynb @@ -48,10 +48,52 @@ "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": "0bf3e941-fe58-4edb-a145-5b5d486b0692", + "id": "de0afb23-6f48-439b-9377-480a0c82fe65", "metadata": {}, "outputs": [], "source": [] diff --git a/reglin.png b/regresja liniowa/reglin.png similarity index 100% rename from reglin.png rename to regresja liniowa/reglin.png diff --git a/regresja_liniowa_NMI.ipynb b/regresja liniowa/regresja_liniowa_NMI.ipynb similarity index 51% rename from regresja_liniowa_NMI.ipynb rename to regresja liniowa/regresja_liniowa_NMI.ipynb index 334d0a9..ae5f7a1 100644 --- a/regresja_liniowa_NMI.ipynb +++ b/regresja liniowa/regresja_liniowa_NMI.ipynb @@ -48,10 +48,52 @@ "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": "0bf3e941-fe58-4edb-a145-5b5d486b0692", + "id": "de0afb23-6f48-439b-9377-480a0c82fe65", "metadata": {}, "outputs": [], "source": []