Update on Overleaf.

This commit is contained in:
filipg 2021-05-10 16:05:46 +00:00 committed by overleaf
parent afff6b9e74
commit cc8ee91c5f
15 changed files with 6 additions and 3 deletions

View File

@ -1,6 +1,7 @@
\section{Podstawy teoretyczne}
\subsection{Uczenie maszynowe i jego rodzaje} \chapter{Podstawy teoretyczne}
\subsubsection{O uczeniu maszynowym} \section{Uczenie maszynowe i jego rodzaje}
\subsection{O uczeniu maszynowym}
Jedną z definicji, dobrze oddającą charakter uczenia maszynowego możemy znaleźć w pracy "An overview of Machine Learning and its Applications": "Machine learning, by its definition, is a field of computer science that evolved from studying pattern recognition and computational learning theory in artificial intelligence. It is the learning and building of algorithms that can learn from and make predictions on data sets."\cite{Overview} Jedną z definicji, dobrze oddającą charakter uczenia maszynowego możemy znaleźć w pracy "An overview of Machine Learning and its Applications": "Machine learning, by its definition, is a field of computer science that evolved from studying pattern recognition and computational learning theory in artificial intelligence. It is the learning and building of algorithms that can learn from and make predictions on data sets."\cite{Overview}
Uczenie maszynowe (ang. machine learning) to jednym z najważniejszych współcześnie działów informatyki. Wykorzystuje ono dostarczane dane empiryczne do tworzenia modeli predykcyjnych. Modele uczenia maszynowego stają się integralną częścią otaczającego nas świata, są wykorzystywane w coraz szerszej gamie aplikacji. Wraz ze wzrostem użytku uczenia maszynowego, wzrasta potrzeba tworzenia coraz lepiej działających i szybciej uczących się modeli. Uczenie maszynowe (ang. machine learning) to jednym z najważniejszych współcześnie działów informatyki. Wykorzystuje ono dostarczane dane empiryczne do tworzenia modeli predykcyjnych. Modele uczenia maszynowego stają się integralną częścią otaczającego nas świata, są wykorzystywane w coraz szerszej gamie aplikacji. Wraz ze wzrostem użytku uczenia maszynowego, wzrasta potrzeba tworzenia coraz lepiej działających i szybciej uczących się modeli.

View File

@ -1,3 +1,5 @@
\chapter{Wstęp}
\section{Problematyka} \section{Problematyka}
Podczas tworzenia systemów uczenia maszynowego, kluczowym jest dobranie odpowiednich algorytmów nauki takich, które najlepiej nadają się do konkretnych zadań, a także nie spowodują przeciążania zasobów. Z tego powodu, porównanie skuteczności algorytmów jest częstym i szeroko opisywanym tematem w pracach i tekstach badawczych. Podczas tworzenia systemów uczenia maszynowego, kluczowym jest dobranie odpowiednich algorytmów nauki takich, które najlepiej nadają się do konkretnych zadań, a także nie spowodują przeciążania zasobów. Z tego powodu, porównanie skuteczności algorytmów jest częstym i szeroko opisywanym tematem w pracach i tekstach badawczych.

0
autozoil-via-docker.sh Executable file → Normal file
View File

0
build.sh Executable file → Normal file
View File

0
extract-score-files.pl Executable file → Normal file
View File

0
helpers/flatten-structure.pl Executable file → Normal file
View File

0
helpers/generate-pdf-from-arxiv-package.sh Executable file → Normal file
View File

0
helpers/get-sentences.sh Executable file → Normal file
View File

0
helpers/pdf-to-plain-text.sh Executable file → Normal file
View File

0
helpers/prepare-arxiv-package.sh Executable file → Normal file
View File

0
helpers/stats.sh Executable file → Normal file
View File

0
helpers/strip-references.pl Executable file → Normal file
View File

0
helpers/synchro.sh Executable file → Normal file
View File

0
install-hooks.sh Executable file → Normal file
View File

0
run-gitlab-runner.sh Executable file → Normal file
View File