1. Motywacje eksploracji danych
// Dane których jest dużo przez co są trudne do analizy 
   przez człowieka, łatwiej przetworzyć wykorzystując 
   algorytmy i komputery

2. Przykładowe typy zadań uczenia maszynowego
// 
	*grupowanie obiektów podobnych;
	*klasyfikacja nowo-obserwowanych przypadków

	*rozpoznawanie wzorców
	*przewidywanie przyszłości na podstawie poprzednich obserwacji
//
3. Fazy w uczeniu maszynowym
//
	*zbieranie danych 
	*czyszczenie i wstępne przetworzenie danych
	*(tylko w uczenie z nadzorem) podział na zbiór treningowy i testowy
	*uczenie się na danych
	*ewaluacja
	*używanie systemu do zadań
//
4. Co to jest tablica decyzyjna? Jaka ma formę, co reprezentują kolumny a co wiersze?
//
Tablica decyzyjna pomaga budować wnioski na podstawie 
poprzednio zaobserwowanych danych
wiersze - obserwacje(złożone przypadki- różne kombinacje)
kolumny - atrybuty
//
5. Krótko scharakteryzuj uczenie z nadzorem
//
uczenie się z nadzorem
	*podawanie systemowi "prawidłowych" rozwiązań 
	 w tzw. zbiorze danych treningowych (gdzie wartość
	 atrybutu decyzyjnego jest znana) 
	*(automatyczne budowanie modelu prawidłowego 
	 rozwiązania); system uczy się metody rozwiąząnia
	 poprzez wykrycie zwiazków między danymi a 
	 "prawidłowymi rozwiązaniami"
	*"wyuczony" model stosuję się w nowych przypadków
.np.: metoda kNN (najbliższych sąsiadów);;
      podejście Bayesowskie;; drzewa decyzyjne

Uczenie z nadzorem nazywane jest:
   - kwalifikacją - gdy atrybut decyzyjny jest nominalny
	np.: wykrywanie trendu, przewidywanie ceny 
	     papieru wartościowego, oszacowanie ilościowe
      	     zapotrzebowania na dany towar, przewidywanie temperatury
 
   - regresją -gdy atrybut decyzyjny jest numeryczny
	np.: spam, chłąm internetowy maszynowa 
	     identyfikacja języka w tekście
//
6. Krótko scharakteryzuj uczenie bez nadzoru
//
uczenie się bez nadzoru
	*brak sygnału uczącego tzn podania prawiłowych 
	 rozwiązań (nie podajemy przykładów)
	*CEL: wykrycie związków między obiektami i atrybutami
	*zadania - grupowanie, odkrywanie reguł 
	 asocjacyjnych, wykrywanie warości odstających
//
6.5 GRUPOWANIE:
	*należy podzielić wszystkie badane przypadki 
	na grupy obiektów, które powinny się różnić 
	między sobą. 
	*następnie trzeb wykryc wszystkie przypadki
	które odstają w jakiś sposób
	Zastosowanie: wartości odstające to próby włamań 
	do systemów, nadużycia i wykrywania błędów.

7. Typy atrybutów
//
*numeryczne albo kategoryczne
*uporządkowane lub nie 
**przeskalowane, transformacja atrybutów
**kwantyzacja (zamiana z numerycznych na kategoryczne)
//

8. Co to jest atrybut decyzyjny?
//brany pod uwagę w uczeniu z nadzorem 
  i jest to wyszczególniony atrybut w tabeli decyzyjnej

9. Co to jest zbiór treningowy? 
//taki zbiór obserwacji (przypadków),
 dla których wartości atrybut decyzyjny jest znany

10. Co to jest zbiór testowy?
//zbiór danych (bez niektórych atrybutów) podany 
  programowi w celu przetworzenia i wydania wyniku 
  konkretnych atrybutów (m.in atrybutu decyzyjnego) ;;
  Następnie porównanie wydanych wyników z uprzednio 
  przygotowanymi