{"id":95222,"date":"2022-11-16T22:33:29","date_gmt":"2022-11-16T21:33:29","guid":{"rendered":"https:\/\/fotc.com\/?p=95222"},"modified":"2023-11-27T07:54:25","modified_gmt":"2023-11-27T06:54:25","slug":"machine-learning","status":"publish","type":"post","link":"https:\/\/fotc.com\/pl\/blog\/machine-learning\/","title":{"rendered":"Machine Learning \u2014 czym jest uczenie maszynowe?"},"content":{"rendered":"\n<p>Trudno wyobrazi\u0107 sobie wsp\u00f3\u0142czesny \u015bwiat bez sprawnej i szybkiej diagnostyki medycznej, rozpoznawania mowy czy rozpoznawania obraz\u00f3w. Mniej lub bardziej wa\u017cne decyzje podejmujemy na podstawie analizy danych. W g\u0105szczu informacji jest to mo\u017cliwe dzi\u0119ki wykorzystaniu Machine Learning.<\/p>\n\n\n\n<h2 id=\"h-machine-learning-co-to-takiego\"><strong>Machine Learning \u2013 co to takiego?<\/strong><\/h2>\n\n\n\n<p>Machine Learning wykorzystuje algorytmy matematyczne, dzi\u0119ki kt\u00f3rym \u201euczy\u201d si\u0119 danych oraz poddaje je analizie, dzi\u0119ki czemu mo\u017ce tworzy\u0107 przewidywania. Pomaga to podejmowa\u0107 decyzje w przysz\u0142o\u015bci.&nbsp;&nbsp;<\/p>\n\n\n\n<p>Dzi\u0119ki ML komputery s\u0105 w stanie komunikowa\u0107 si\u0119 z lud\u017ami, autonomiczne samochody mog\u0105 bezpiecznie porusza\u0107 si\u0119 po drogach, a przewidywanie kl\u0119sk naturalnych czy zagro\u017ce\u0144 terrorystycznych jest o wiele bardziej skuteczne.&nbsp;<\/p>\n\n\n\n<p>To bardzo konkretne, szczeg\u00f3\u0142owe zastosowania, jednak podstawow\u0105 cech\u0105 uczenia maszynowego jest to, \u017ce pozwala lepiej wykorzysta\u0107 dane, kt\u00f3re ca\u0142y czas zbieramy i przechowujemy do uzyskania naukowych odpowiedzi na pytania, kt\u00f3re sobie stawiamy.<\/p>\n\n\n\n<h2 id=\"h-pocz-tki-machine-learning\"><strong>Pocz\u0105tki Machine Learning<\/strong><\/h2>\n\n\n\n<p>Machine Learning sta\u0142o si\u0119 popularne ca\u0142kiem niedawno, ale historia uczenia maszynowego jest o wiele d\u0142u\u017csza. Przechowywanie i przetwarzanie danych towarzyszy nam od stuleci. Ju\u017c w staro\u017cytno\u015bci zbierano informacje o ilo\u015bci magazynowanej \u017cywno\u015bci, przeprowadzano te\u017c spisy powszechne.&nbsp;&nbsp;<\/p>\n\n\n\n<p>Kiedy z biegiem lat danych przybywa\u0142o, ich analiza stawa\u0142a si\u0119 trudniejsza. Metody takie jak nacinanie patyk\u00f3w przesta\u0142y by\u0107 wystarczaj\u0105ce. Konieczne by\u0142y zastosowanie nowych narz\u0119dzi.<\/p>\n\n\n\n<p>Prze\u0142omowym momentem okaza\u0142a si\u0119 siedemnastowieczna epidemia d\u017cumy, dziesi\u0105tkuj\u0105ca mieszka\u0144c\u00f3w Anglii. To w\u00f3wczas zacz\u0119to publikowa\u0107 pierwsze zbiory danych dotycz\u0105ce zdrowia publicznego. Niekt\u00f3rzy uznaj\u0105 to nawet za moment narodzin Big Data.<\/p>\n\n\n\n<p>Niestety stworzenie zbior\u00f3w danych, a ich sprawne przetwarzanie, to dwie r\u00f3\u017cne sprawy. Przez ponad dwie\u015bcie lat by\u0142 to \u017cmudny, powolny proces. Jeszcze w drugiej po\u0142owie XIX wieku zebranie i przeanalizowanie danych z przeprowadzonego w Stanach Zjednoczonych spisu powszechnego w zajmowa\u0142o nawet dziesi\u0119\u0107 lat.&nbsp;<\/p>\n\n\n\n<p>Dopiero kiedy Herman Hollerith skonstruowa\u0142 pierwsz\u0105 elektryczn\u0105 maszyn\u0119 analityczno-licz\u0105c\u0105, uda\u0142o si\u0119 ten proces skr\u00f3ci\u0107 do \u201etylko\u201d dw\u00f3ch lat. Nazwisko Holleritha mo\u017ce wydawa\u0107 Ci si\u0119 znajome. Utworzona przez niego firma, po kilku fuzjach sta\u0142a si\u0119 znana jako IBM.<\/p>\n\n\n\n<p>W latach 50. dwudziestego wieku Alan Turing, kt\u00f3rego pewnie kojarzysz z rozpracowania Enigmy, niemieckiej maszyny szyfruj\u0105cej, zada\u0142 pytanie: \u201eczy maszyny mog\u0105 my\u015ble\u0107? Twierdzi\u0142, \u017ce je\u017celi maszyna b\u0119dzie w stanie przekona\u0107 cz\u0142owieka, \u017ce wcale nie jest maszyn\u0105, to b\u0119dzie to \u015bwiadczy\u0107 o osi\u0105gni\u0119ciu przez ni\u0105 sztucznej inteligencji.&nbsp;<\/p>\n\n\n\n<p>Sprawdzian ten, nazywany Testem Turinga, mog\u0142e\u015b przechodzi\u0107 w ostatnich latach niejednokrotnie, np. odbieraj\u0105c telefon od bota, kt\u00f3ry m\u00f3g\u0142 przedstawi\u0107 Ci ofert\u0119 lub poprosi\u0107 o opini\u0119 w jakiej\u015b sprawie. Je\u017celi Twoje odpowiedzi nie zaskoczy\u0142y bota, czyli nie wysz\u0142y ponad scenariusz zaplanowany w algorytmie, to zaliczy\u0142 on Test Turinga na pi\u0105tk\u0119.<\/p>\n\n\n\n<p>Ale zanim pojawi\u0142y si\u0119 boty, zacz\u0119to pracowa\u0107 nad ucz\u0105cym si\u0119 oprogramowaniem. Artur Samuel ju\u017c w 1952 roku stworzy\u0142 program do gry w warcaby, kt\u00f3ry uczy\u0142 si\u0119 w trakcie gry, poprawiaj\u0105c swoje wyniki za ka\u017cdym razem.&nbsp;<\/p>\n\n\n\n<p>Pi\u0119\u0107 lat p\u00f3\u017aniej Frank Rosenblatt opracowa\u0142 pierwsz\u0105 komputerow\u0105 sie\u0107 neuronow\u0105, kt\u00f3ra wczytuj\u0105c obrazy, generowa\u0142a etykiety i kategoryzowa\u0142a ilustracje. W jednej z nast\u0119pnych sekcji tego artyku\u0142u wykorzystamy podobny przyk\u0142ad do opisania jak dzia\u0142a Machine Learning.<\/p>\n\n\n\n<h2 id=\"h-uczenie-maszynowe-w-biznesie\"><strong>Uczenie maszynowe w biznesie<\/strong><\/h2>\n\n\n\n<p>Ju\u017c w latach sze\u015b\u0107dziesi\u0105tych zesz\u0142ego wieku przedstawiciele handlowi mogli ju\u017c korzysta\u0107 z algorytmu \u2018najbli\u017cszego s\u0105siada\u201d \u2013 komputery szukaj\u0105c powtarzaj\u0105cych si\u0119 schemat\u00f3w, planowa\u0142y kolejne punkty na trasie sprzedawcy.<\/p>\n\n\n\n<p>W kolejnej dekadzie badacze z Uniwersytety Stanforda stworzyli robota znanego pod nazw\u0105 \u201ethe Cart\u201d, kt\u00f3ry by\u0142 w stanie omija\u0107 przeszkody. Po\u0142o\u017cyli tym samym fundament do wsp\u00f3\u0142czesnych pojazd\u00f3w autonomicznych.<\/p>\n\n\n\n<figure class=\"wp-block-embed is-type-video is-provider-youtube wp-block-embed-youtube wp-embed-aspect-16-9 wp-has-aspect-ratio\"><div class=\"wp-block-embed__wrapper\">\n<iframe title=\"Harness the power of AI to sell more in 2022 by Wioletta Majewska, FOTC\" width=\"500\" height=\"281\" src=\"https:\/\/www.youtube.com\/embed\/0Mr9Es26MIM?feature=oembed\" frameborder=\"0\" allow=\"accelerometer; autoplay; clipboard-write; encrypted-media; gyroscope; picture-in-picture; web-share\" allowfullscreen><\/iframe>\n<\/div><\/figure>\n\n\n\n<p>Coraz wi\u0119cej firm oszcz\u0119dza setki godzin i tysi\u0105ce dolar\u00f3w korzystaj\u0105c z ML. Jedn\u0105 z nich jest AES,&nbsp; firma zajmuj\u0105ca si\u0119 czyst\u0105 energi\u0105, a zarazem jeden z wi\u0119kszych operator\u00f3w farm wiatrowych. Turbiny, aby mog\u0142y bezpiecznie pracowa\u0107, wymagaj\u0105 okresowych kontroli.&nbsp; \u0141opaty takiej turbiny mog\u0105 mie\u0107 nawet ponad 40 metr\u00f3w d\u0142ugo\u015bci i poddane s\u0105 dzia\u0142aniu sporych si\u0142 oraz nara\u017cone na uszkodzenia. Je\u017celi ulegnie ona awarii, mo\u017ce doj\u015b\u0107 do kosztownego uszkodzenia turbiny, a w skrajnych przypadkach do niebezpiecznego wypadku.&nbsp;<\/p>\n\n\n\n<p>Podczas kontroli pracownicy badaj\u0105, czy na powierzchni \u0142opaty nie pojawiaj\u0105 si\u0119 oznaki przysz\u0142ych k\u0142opot\u00f3w \u2013 p\u0119kni\u0119cia, wygi\u0119cia i inne odst\u0119pstwa od normy. Dost\u0119p do turbin jest utrudniony, ale korzystaj\u0105c z dron\u00f3w, mo\u017cna podlecie\u0107 do p\u0142at\u00f3w i wykona\u0107 dok\u0142adn\u0105 dokumentacj\u0119 fotograficzn\u0105. Rzeczoznawcy s\u0105 w stanie na podstawie zdj\u0119\u0107 dokona\u0107 analizy i oceni\u0107, czy turbina wymaga remontu, czy te\u017c mo\u017ce nadal bezpiecznie dzia\u0142a\u0107.&nbsp;<\/p>\n\n\n\n<p>Chocia\u017c wykorzystanie dron\u00f3w znacznie skraca czas audytu farm wiatrowych, to nadal pozostaje do przejrzenia kilkana\u015bcie tysi\u0119cy zdj\u0119\u0107. Wykorzystuj\u0105c mechanizmy uczenia naukowego specjali\u015bci z AES wytrenowali model, kt\u00f3ry odrzuca wszystkie zdj\u0119cia przedstawiaj\u0105ce prawid\u0142owo wygl\u0105daj\u0105ce \u0142opaty, zostawiaj\u0105c do oceny eksperckiej jedynie te, kt\u00f3re maj\u0105 znamiona uszkodzenia. Dzi\u0119ki temu rozwi\u0105zaniu czas wykrycia problemu skraca si\u0119 z wielu tygodniu, to kilku dni. Oszcz\u0119dno\u015b\u0107 czasu i koszt\u00f3w jest wi\u0119c znaczna.<\/p>\n\n\n\n<h2 id=\"h-machine-learning-czyli-przysz-o-kt-ra-nadesz-a\"><strong>Machine learning, czyli przysz\u0142o\u015b\u0107, kt\u00f3ra nadesz\u0142a<\/strong><\/h2>\n\n\n\n<p>Poniewa\u017c ilo\u015b\u0107 gromadzonych na \u015bwiecie danych ro\u015bnie bardzo szybko, korzystanie z Machine Learning staje si\u0119 najbardziej wydajnym sposobem na ich realne wykorzystanie. Obliczono, \u017ce o ile w 2010 roku na \u015bwiecie dost\u0119pnych by\u0142o \u0142\u0105cznie ok. 2 Zetabajt\u00f3w danych, to pod koniec 2022 roku liczba ta si\u0119gnie ju\u017c niemal 100 Zetabajt\u00f3w.<\/p>\n\n\n\n<p>Nie dziwi wi\u0119c fakt, \u017ce Machine Learning towarzyszy nam na ka\u017cdym kroku. Rozpoznawanie twarzy na zdj\u0119ciach, a nawet propozycje film\u00f3w, jakie wy\u015bwietlaj\u0105 si\u0119 nam na YouTubie czy Netflixie \u2013 za tym wszystkim stoi uczenie maszynowe. Dlatego warto zrozumie\u0107, jak dzia\u0142a.<\/p>\n\n\n\n<h2 id=\"h-jak-wygl-da-uczenie-maszynowe-w-praktyce\"><strong>Jak wygl\u0105da uczenie maszynowe w praktyce?<\/strong><\/h2>\n\n\n\n<p>Wyobra\u017a sobie sytuacj\u0119, w kt\u00f3rej musisz stworzy\u0107 system, kt\u00f3rego zadaniem jest rozpoznaniu napoju &#8211; czy jest nim wino, czy te\u017c piwo. W Machine Learning nazywamy taki system modelem, kt\u00f3ry nale\u017cy wytrenowa\u0107.&nbsp;<\/p>\n\n\n\n<p>Aby osi\u0105gn\u0105\u0107 sukces, nasz model powinien przez wi\u0119kszo\u015b\u0107 czasu poprawnie wskazywa\u0107 nap\u00f3j. Trenowanie modelu wymaga danych. W tym przypadku mo\u017ce to by\u0107 kolor oraz zawarto\u015b\u0107 procentowa alkoholu.<\/p>\n\n\n\n<h3 id=\"h-zbieranie-danych\"><strong>Zbieranie danych<\/strong><\/h3>\n\n\n\n<p>Aby zbada\u0107 te cechy, kupujemy kilka rodzaj\u00f3w piwa oraz wina i przeprowadzamy badania z wykorzystaniem spektrometru, do okre\u015blenia koloru, oraz alkoholomierza, kt\u00f3ry poda nam zawarto\u015b\u0107 alkoholu w procentach.&nbsp;&nbsp;<\/p>\n\n\n\n<p>Zbieranie danych jest jednym z najwa\u017cniejszych etap\u00f3w, gdy\u017c od ich ilo\u015bci i jako\u015bci zale\u017cy to, jak dobrze model b\u0119dzie dzia\u0142a\u0142. W naszym przypadku b\u0119dzie to prosta tabelka z trzema kolumnami okre\u015blaj\u0105cymi kolor, zawarto\u015b\u0107 alkoholu oraz rodzaj testowanego alkoholu \u2013 piwo, czy wino?<\/p>\n\n\n\n<h3 id=\"h-przygotowanie-danych\"><strong>Przygotowanie danych<\/strong><\/h3>\n\n\n\n<p>Wa\u017cne, aby dane w tabeli zrandomizowa\u0107. Nie chcemy, \u017ceby model uzna\u0142, i\u017c kolejno\u015b\u0107 wprowadzania danych ma znaczenie. Na tym etapie dobrze jest wizualizowa\u0107 dane. Je\u017celi wprowadzili\u015bmy zdecydowanie wi\u0119cej danych dotycz\u0105cych wina ni\u017c piwa, to wyniki mog\u0105 by\u0107 nieobiektywne.<\/p>\n\n\n\n<p>W kolejnym etapie dzielimy dane na dwie nier\u00f3wne cz\u0119\u015bci. Wi\u0119ksz\u0105 z nich wykorzystamy do trenowania modelu, a mniejsz\u0105 do jego p\u00f3\u017aniejszej oceny. Jest to wa\u017cne, gdy\u017c nie chcemy, aby oceniany model bazowa\u0142 na tych samych danych, na kt\u00f3rych si\u0119 uczy\u0142. Interesuje nas jego zdolno\u015b\u0107 do rozpoznawania rodzaju napoju w przypadku innych danych.&nbsp;&nbsp;<\/p>\n\n\n\n<h3 id=\"h-wyb-r-modelu\"><strong>Wyb\u00f3r modelu<\/strong><\/h3>\n\n\n\n<p>Po podzieleniu danych nale\u017cy wybra\u0107 model, gdy\u017c w zale\u017cno\u015bci od rodzaju danych mamy do wyboru r\u00f3\u017cne opcje. Inne modele sprawdz\u0105 si\u0119 przy danych wizualnych, d\u017awi\u0119kowych, a jeszcze inne przy liczbowych.&nbsp;<\/p>\n\n\n\n<p>Poniewa\u017c w naszym przypadku s\u0105 to proste dane liczbowe, wystarczaj\u0105cym rozwi\u0105zaniem b\u0119dzie model liniowy. Wi\u0119cej modeli przedstawiamy w kolejne sekcji artyku\u0142u.<\/p>\n\n\n\n<h3 id=\"h-trenowanie-modelu\"><strong>Trenowanie modelu<\/strong><\/h3>\n\n\n\n<p>Po wybraniu modelu mo\u017cemy przej\u015b\u0107 do trenowania. Wykorzystuj\u0105c dane, mo\u017cemy stopniowo poprawia\u0107 zdolno\u015bci modelu do rozpoznawania w\u0142a\u015bciwych napoi. In\u017cynierowie z Google por\u00f3wnuj\u0105 to do nauki jazdy samochodem.&nbsp;<\/p>\n\n\n\n<p>Pocz\u0105tkuj\u0105cemu kierowcy trudno jest skoordynowa\u0107 ruchy r\u0105k i n\u00f3g, pami\u0119taj\u0105c jednocze\u015bnie o zasadach ruchu drogowego i innych uczestnikach ruchu, jednak z czasem jazda staje si\u0119 p\u0142ynna, niemal automatyczna. Podobnie jest z trenowanym modelem.<\/p>\n\n\n\n<p>Tu przyda si\u0119 troch\u0119 prostej matematyki. Wracaj\u0105c do naszego przypadku, mo\u017cemy go przedstawi\u0107 w postaci r\u00f3wnania y = m*x + b, gdzie \u201ex\u201d to dane, kt\u00f3re dostarczamy, \u201em\u201d to nachylenie linii, \u201eb\u201d to punkt przeci\u0119cia z osi\u0105 y, a \u201ey\u201d to warto\u015b\u0107 dla okre\u015blnej pozycji \u201ex\u201d. Poniewa\u017c \u201ex\u201d to dane, kt\u00f3re dostarczamy do modelu, a \u201ey\u201d jest wynikiem, mo\u017cemy zmienia\u0107 jedynie warto\u015bci \u201em\u201d oraz \u201eb\u201d.<\/p>\n\n\n\n<p>W procesie Machine Learning wyst\u0119puje wiele \u201em\u201d, gdy\u017c trening mo\u017ce zak\u0142ada\u0107 wiele cech. Ich zbi\u00f3r nazywamy macierz\u0105 wag (weights). Tymczasem \u201eb\u201d grupuj\u0105 si\u0119 w macierz odchyle\u0144 (biases).&nbsp;<\/p>\n\n\n\n<p>Rozpoczynaj\u0105c uczenie, zaczynamy od inicjowania losowych warto\u015bci, co sprawia, \u017ce pocz\u0105tkowo model jest bardzo niedoskona\u0142y. Mo\u017cemy jednak por\u00f3wna\u0107, wyniki treningu z oczekiwanym rezultatem i zap\u0119tli\u0107 go. Ka\u017cda p\u0119tla nazywana jest jednym krokiem treningowym (one training step).<\/p>\n\n\n\n<p>W naszym przypadku pierwsza linia oddzielaj\u0105ca wyniki wskazuj\u0105ce na piwo i wino przebiega w spos\u00f3b do\u015b\u0107 przypadkowy, jednak z ka\u017cd\u0105 iteracj\u0105, czyli ka\u017cdym podj\u0119tym krokiem, linia coraz dok\u0142adniej rozgranicza wyniki okre\u015blaj\u0105ce jeden z dw\u00f3ch napoi.<\/p>\n\n\n\n<h3 id=\"h-ewaluacja\"><strong>Ewaluacja<\/strong><\/h3>\n\n\n\n<p>Po kilku seriach treningu mo\u017cemy przej\u015b\u0107 do ewaluacji, czyli sprawdzenia naszego wytrenowanego modelu z wykorzystaniem danych, kt\u00f3rych do tej pory nie u\u017cywali\u015bmy. Wspomnieli\u015bmy o podziale danych jeszcze przed wyborem modelu. Google sugeruje, aby do treningu u\u017cy\u0107 oko\u0142o 80% danych, a 20% zostawi\u0107 na ewaluacj\u0119.&nbsp;&nbsp;<\/p>\n\n\n\n<h3 id=\"h-strojenie-hiperparametr-w\"><strong>Strojenie hiperparametr\u00f3w<\/strong><\/h3>\n\n\n\n<p>Uzyskali\u015bmy ju\u017c dobrze wytrenowany model, ale mo\u017cemy sprawi\u0107, aby by\u0142 jeszcze lepszy. S\u0142u\u017cy temu strojenie hiperparametr\u00f3w, ale wcze\u015bniej musimy zrozumie\u0107, czym one s\u0105. Wyt\u0142umaczenie jest do\u015b\u0107 proste. Zwyk\u0142y parametr wyliczany jest przez algorytm podczas uczenia maszynowego, podczas gdy hiperparametr to ten dodany r\u0119cznie przez u\u017cytkownika podczas testowania.&nbsp;<\/p>\n\n\n\n<p>W naszym przypadku mo\u017ce to by\u0107 ilo\u015b\u0107 krok\u00f3w treningowych. Wy\u015bwietlanie danych modelowi wiele razy mo\u017ce prowadzi\u0107 do wi\u0119kszej dok\u0142adno\u015bci. Innym z parametr\u00f3w jest szybko\u015b\u0107 uczenia si\u0119 modelu. Mo\u017cemy to wyobrazi\u0107 sobie w formie wizualnej, patrz\u0105c na wykres. To jak daleko przesunie si\u0119 linia podczas ka\u017cdego kroku w oparciu o dane z poprzedniego kroku daje nam szans\u0119 na przewidzenie, ile krok\u00f3w jest potrzebnych do najlepszego wyuczenia modelu.&nbsp;<\/p>\n\n\n\n<p>Poniewa\u017c dostrajanie hiperparametr\u00f3w mo\u017ce by\u0107 czasami uznane bardziej za sztuk\u0119, ni\u017c nauk\u0119, to nale\u017cy wyznaczy\u0107 jej granice, gdy\u017c pe\u0142ne dostrojenie parametr\u00f3w, o ile w og\u00f3le mo\u017cliwe, mo\u017ce zaj\u0105\u0107 zbyt du\u017co czasu.<\/p>\n\n\n\n<h3 id=\"h-predykcja\"><strong>Predykcja<\/strong><\/h3>\n\n\n\n<p>Dotarli\u015bmy do najwa\u017cniejszego etapu uczenia maszynowego \u2013 predykcji. Mo\u017cemy wykorzysta\u0107 przygotowany i przetrenowany model do okre\u015blenia czy badany nap\u00f3j to wino, czy piwo. Co wa\u017cne, wynik b\u0119dzie wynikiem dzia\u0142ania algorytmu, bez korzystania z naszej wiedzy o alkoholach, czy te\u017c test\u00f3w organoleptycznych. Otrzymujemy w ten spos\u00f3b mo\u017cliwo\u015b\u0107 szybkiego wykonywania bada\u0144 w przysz\u0142o\u015bci.<\/p>\n\n\n\n<h2 id=\"h-modele-machine-learning\"><strong>Modele Machine Learning<\/strong><\/h2>\n\n\n\n<p>Na najwy\u017cszym poziomie jeste\u015bmy w stanie wyr\u00f3\u017cni\u0107 dwie grupy modeli: nadzorowane (supervised) i nienadzorowane (unsupervised).<\/p>\n\n\n\n<h3 id=\"h-modele-uczenia-nadzorowanego\"><strong>Modele uczenia nadzorowanego<\/strong><\/h3>\n\n\n\n<p>Uwzgl\u0119dniaj\u0105 one szereg funkcji, kt\u00f3re przetwarzaj\u0105 dane wej\u015bciowe, bazuj\u0105c na serii przyk\u0142adowych par wej\u015bcie-wyj\u015bcie.&nbsp; Modele uczenia nadzorowanego dziel\u0105 si\u0119 na dwie podkategorie: regresj\u0119 oraz klasyfikacj\u0119.<\/p>\n\n\n\n<p><strong>Modele regresji<\/strong><\/p>\n\n\n\n<p>W przypadku regresji dane wyj\u015bciowe s\u0105 ci\u0105g\u0142e, a wi\u0119c takie jak np. wiek, czy cena. Najcz\u0119\u015bciej spotykany jest model <strong>regresji liniowej<\/strong>.&nbsp;<\/p>\n\n\n\n<p>Bardziej zaawansowanym modelem jest <strong>regresja wielomianowa<\/strong>, kiedy zamiast linii dopasowania uzyskujemy krzyw\u0105.&nbsp;<\/p>\n\n\n\n<p>Trzecim popularnym modelem regresji jest <strong>drzewo decyzyjne<\/strong>. Sk\u0142ada si\u0119 ono z w\u0119z\u0142\u00f3w, a im jest ich wi\u0119cej, tym dok\u0142adniej wytrenowany zostanie model.&nbsp;<\/p>\n\n\n\n<p>Na drzewach decyzyjnych bazuje r\u00f3wnie czwarty model \u2013 <strong>random forest<\/strong>, czyli losowy las z\u0142o\u017cony z wielu drzew decyzyjnych. Pomaga on zmniejszy\u0107 ryzyko b\u0142\u0119d\u00f3w, jakie mo\u017ce pojawi\u0107 si\u0119 przy pojedynczym drzewie.&nbsp;<\/p>\n\n\n\n<p>Wreszcie r\u00f3wnie popularnym, wielowarstwowym modelem regresywnym jest <strong>sie\u0107 neuronowa<\/strong>. Bazuje one na po\u0142\u0105czeniach w ludzkim m\u00f3zgu.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img width=\"1024\" height=\"683\" src=\"https:\/\/fotc.com\/app\/uploads\/2022\/11\/alina-grubnyak-ZiQkhI7417A-unsplash-1024x683.jpg\" alt=\"\" class=\"wp-image-95237\" srcset=\"https:\/\/fotc.com\/app\/uploads\/2022\/11\/alina-grubnyak-ZiQkhI7417A-unsplash-1024x683.jpg 1024w, https:\/\/fotc.com\/app\/uploads\/2022\/11\/alina-grubnyak-ZiQkhI7417A-unsplash-300x200.jpg 300w, https:\/\/fotc.com\/app\/uploads\/2022\/11\/alina-grubnyak-ZiQkhI7417A-unsplash-768x512.jpg 768w, https:\/\/fotc.com\/app\/uploads\/2022\/11\/alina-grubnyak-ZiQkhI7417A-unsplash-1536x1024.jpg 1536w, https:\/\/fotc.com\/app\/uploads\/2022\/11\/alina-grubnyak-ZiQkhI7417A-unsplash-2048x1365.jpg 2048w, https:\/\/fotc.com\/app\/uploads\/2022\/11\/alina-grubnyak-ZiQkhI7417A-unsplash-123x82.jpg 123w, https:\/\/fotc.com\/app\/uploads\/2022\/11\/alina-grubnyak-ZiQkhI7417A-unsplash-142x95.jpg 142w, https:\/\/fotc.com\/app\/uploads\/2022\/11\/alina-grubnyak-ZiQkhI7417A-unsplash-263x175.jpg 263w, https:\/\/fotc.com\/app\/uploads\/2022\/11\/alina-grubnyak-ZiQkhI7417A-unsplash-423x282.jpg 423w, https:\/\/fotc.com\/app\/uploads\/2022\/11\/alina-grubnyak-ZiQkhI7417A-unsplash-275x183.jpg 275w, https:\/\/fotc.com\/app\/uploads\/2022\/11\/alina-grubnyak-ZiQkhI7417A-unsplash-26x17.jpg 26w\" sizes=\"(max-width: 1024px) 100vw, 1024px\" \/><\/figure>\n\n\n\n<p><strong>Modele klasyfikacji<\/strong><\/p>\n\n\n\n<p>Modele te do przewidywania u\u017cywaj\u0105 klasyfikacji warto\u015bci dyskretnych, a wi\u0119c takich jak p\u0142e\u0107 (kobieta\/m\u0119\u017cczyzna), czy te\u017c prawda-fa\u0142sz. W\u015br\u00f3d tych modeli wyr\u00f3\u017cniamy <strong>regresj\u0119 logistyczn\u0105<\/strong>, zbli\u017con\u0105 do regresji liniowej, ale przewiduj\u0105c\u0105 prawdopodobie\u0144stwo wyst\u0105pienia sko\u0144czonej liczby wynik\u00f3w, zazwyczaj dw\u00f3ch.&nbsp;<\/p>\n\n\n\n<p>Kolejnym modelem jest <strong>Support Vector Machine<\/strong>, kt\u00f3ry odseparowuje r\u00f3\u017cne elementy, umieszczaj\u0105c je w zoptymalizowanych i oddzielnych grupach.&nbsp;<\/p>\n\n\n\n<p><strong>Model cech niezale\u017cnych<\/strong>, lub te\u017c <strong>naiwny klasyfikator Bayesa <\/strong>wykorzystuje metod\u0119 wnioskowania statystycznego, w kt\u00f3rym aktualizuje si\u0119 prawdopodobie\u0144stwo subiektywne w oparciu o dotychczasowe prawdopodobie\u0144stwo oraz nowe dane.&nbsp;<\/p>\n\n\n\n<p>Do modeli klasyfikacji, podobnie jak w przypadku modeli regresji nale\u017c\u0105<strong> drzewa decyzyjne<\/strong>, <strong>random forest<\/strong> oraz<strong> sieci neuronowe<\/strong>, jednak w tym przypadku na wyj\u015bciu otrzymujemy warto\u015bci dyskretne, a nie ci\u0105g\u0142e.<\/p>\n\n\n\n<h3 id=\"h-modele-uczenia-nienadzorowanego\"><strong>Modele uczenia nienadzorowanego<\/strong><\/h3>\n\n\n\n<p>Podstawowym wyr\u00f3\u017cnikiem tych modeli jest brak odniesienia do oznaczonego wyniku, czyli algorytm sam pr\u00f3buje znale\u017a\u0107 zale\u017cno\u015bci. Na tej podstawie dzia\u0142a algorytm dobieraj\u0105cy nam kolejny serial do obejrzenia na Netflixie.&nbsp;<\/p>\n\n\n\n<p>Modele nienadzorowane dziel\u0105 si\u0119 na <strong>systemy rekomendacyjne<\/strong>, odpowiedzialne za przewidywanie sekwencji, szukaj\u0105ce podobie\u0144stw metody <strong>klasteryzacji, <\/strong>oraz modele <strong>redukcji wymiar\u00f3w<\/strong>, kt\u00f3re szukaj\u0105 zale\u017cno\u015bci.&nbsp;<\/p>\n\n\n\n<p>Klasteryzacj\u0119 wykorzystuj\u0119 si\u0119 podczas segmentacji klient\u00f3w, klasyfikacji dokument\u00f3w, czy te\u017c przeszukiwaniu ich pod k\u0105tem oszustw. Ten model okazuje si\u0119 pomocny m.in. w sprawdzaniu, czy praca naukowa nie jest plagiatem.<\/p>\n\n\n\n<h2 id=\"h-r-nice-mi-dzy-uczeniem-maszynowym-a-sztuczn-inteligencj\"><strong>R\u00f3\u017cnice mi\u0119dzy uczeniem maszynowym a sztuczn\u0105 inteligencj\u0105<\/strong><\/h2>\n\n\n\n<p>Uczenie Maszynowe i Sztuczna Inteligencja s\u0105 cz\u0119sto wymawiane jednym tchem. Przyzwyczaili\u015bmy si\u0119 do zapisu ML\/AI sugeruj\u0105cego, \u017ce oba terminy mog\u0105 by\u0107 stosowane zamiennie, jednak jest to b\u0142\u0105d.<\/p>\n\n\n\n<p>Sztuczna inteligencja jest terminem szerszym. Inteligentne komputery korzystaj\u0105 z AI, \u017ceby my\u015ble\u0107 jak ludzie, podczas gdy uczenie maszynowe to spos\u00f3b, w jaki komputery nabywaj\u0105 tych umiej\u0119tno\u015bci. Mamy wi\u0119c do czynienia z powtarzaj\u0105cym si\u0119 cyklem, w kt\u00f3rym sztuczna inteligencja kszta\u0142ci si\u0119 z wykorzystaniem uczenia maszynowego, nast\u0119pnie modele ML optymalizowane s\u0105 przez osoby zajmuj\u0105ce si\u0119 analiz\u0105 danych (Data Scientists), po czym proces si\u0119 powtarza.&nbsp;&nbsp;<\/p>\n\n\n\n<p>Trzecim wymiarem, o kt\u00f3rym warto wspomnie\u0107 jest Deep Learning, czyli uczenie g\u0142\u0119bokie. To obecnie jedna z najszybciej rozwijaj\u0105cych si\u0119 ga\u0142\u0119zi sztucznej inteligencji. W jej ramach tworzone s\u0105 sieci neuronowe.&nbsp;<\/p>\n\n\n\n<p>W przeciwie\u0144stwie do Machine Learning nie wymaga nadzoru ani kontroli cz\u0142owieka, natomiast potrzebuje du\u017cych ilo\u015bci danych, aby model m\u00f3g\u0142 je poprawnie zinterpretowa\u0107. Jednym z przyk\u0142ad\u00f3w wykorzystania Deep Learning jest Translator Google.<\/p>\n\n\n\n<h2 id=\"h-machine-learning-w-chmurze\"><strong>Machine learning w chmurze<\/strong><\/h2>\n\n\n\n<p>Na brak danych nie mo\u017cemy narzeka\u0107. Zbli\u017caj\u0105c si\u0119 do prze\u0142omowej liczby 100 Zetabajt\u00f3w, coraz wyra\u017aniej wida\u0107, \u017ce do sprawnego i bezpiecznego przetwarzania danych potrzebna jest du\u017ca moc obliczeniowa. T\u0119 naj\u0142atwiej znale\u017a\u0107 w chmurze.&nbsp;<\/p>\n\n\n\n<p>Omawiaj\u0105c modele uczenia maszynowego, przedstawili\u015bmy tylko te podstawowe, ale w realnym zastosowaniu bywaj\u0105 one bardzo z\u0142o\u017cone. To r\u00f3wnie\u017c sprawia, \u017ce aby z nich korzysta\u0107, potrzeba wi\u0119kszej mocy obliczeniowej. Us\u0142ugi chmurowe s\u0105 w tym przypadku najbardziej efektywn\u0105 kosztowo opcj\u0105, kt\u00f3r\u0105 jednocze\u015bnie szybko i \u0142atwo mo\u017cna wdro\u017cy\u0107.<\/p>\n\n\n\n<p><a href=\"https:\/\/fotc.com\/pl\/blog\/chmura-google-dostepne-rozwiazania\/\" target=\"_blank\" aria-label=\"Chmura Google (opens in a new tab)\" rel=\"noreferrer noopener\" class=\"ek-link\">Chmura Google<\/a> ju\u017c od wielu lat pracuje nad swoimi rozwi\u0105zaniami. Jednym z najwa\u017cniejszych projekt\u00f3w badawczych firmy jest Google Brain, oparty o Deep Learning. Od samego pocz\u0105tku, czyli od 2011 roku celem by\u0142o zbudowanie wielkoskalowego systemu oprogramowania do g\u0142\u0119bokiego uczenia.<\/p>\n\n\n\n<p>W raz z rozwojem technologii programi\u015bci zyskali dost\u0119p do takich us\u0142ug jak Google Cloud <a aria-label=\"AutoML (opens in a new tab)\" href=\"https:\/\/fotc.com\/pl\/blog\/google-automl\/\" target=\"_blank\" rel=\"noreferrer noopener\" class=\"ek-link\">AutoML<\/a>, Google Cloud AI Platform, Google Cloud Speech-to-Text, Google Cloud CIsion AI, <a href=\"https:\/\/fotc.com\/pl\/blog\/contact-center-ai\/\" target=\"_blank\" rel=\"noreferrer noopener\">Contact Center AI<\/a>, Google Cloud Text-to-Speech, <a aria-label=\"Vision AI (opens in a new tab)\" href=\"https:\/\/fotc.com\/pl\/blog\/vision-ai\/\" target=\"_blank\" rel=\"noreferrer noopener\" class=\"ek-link\">Vision AI<\/a><a aria-label=\"Contact Center AI (opens in a new tab)\" href=\"https:\/\/fotc.com\/pl\/blog\/contact-center-ai\/\" target=\"_blank\" rel=\"noreferrer noopener\" class=\"ek-link\"> <\/a>czy Google Cloud Natural Language.<\/p>\n\n\n\n<figure class=\"wp-block-image size-large\"><img width=\"950\" height=\"642\" src=\"https:\/\/fotc.com\/app\/uploads\/2022\/11\/9caa56cedecd3b4bcfc4467cb60af288f4160c8b224ca48a4a8be9b065b1f40f.svg\" alt=\"\" class=\"wp-image-95231\"\/><figcaption>\u017ar\u00f3d\u0142o: Google Cloud<\/figcaption><\/figure>\n\n\n\n<p>W zesz\u0142ym roku firma udost\u0119pni\u0142a w ramach <a href=\"https:\/\/fotc.com\/pl\/google-cloud-platform\/\" class=\"ek-link\">Google Cloud <\/a>now\u0105 zarz\u0105dzan\u0105 platform\u0119 uczenia maszynowego \u2013 Vertex AI. \u0141\u0105czy ona us\u0142ugi Google Cloud zwi\u0105zane z uczeniem maszynowym w ujednoliconym interfejsie u\u017cytkownika i interfejsie API. Jej celem jest zapewnienie narz\u0119dzia do \u0142atwego trenowania i por\u00f3wnywania modeli zar\u00f3wno za pomoc\u0105 AutoML, jak i niestandardowego szkolenia kodu. Wszystkie wyszkolone modele s\u0105 przechowywany w jednym, centralnym repozytorium modeli i mo\u017cna je wdra\u017ca\u0107 w tym samych punktach ko\u0144cowych w <a href=\"https:\/\/fotc.com\/pl\/blog\/vertex-ai\/\" target=\"_blank\" aria-label=\"Vertex AI (opens in a new tab)\" rel=\"noreferrer noopener\" class=\"ek-link\">Vertex AI<\/a>.<\/p>\n\n\n\n<p>Wykrywanie wzorc\u00f3w jest istotne dla tw\u00f3rc\u00f3w aplikacji. Obecna technologia sprawia, \u017ce zadanie to, staje si\u0119 o wiele \u0142atwiejsze.&nbsp;&nbsp;<\/p>\n","protected":false},"excerpt":{"rendered":"<p>Trudno wyobrazi\u0107 sobie wsp\u00f3\u0142czesny \u015bwiat bez sprawnej i szybkiej diagnostyki medycznej, rozpoznawania mowy czy rozpoznawania obraz\u00f3w. Mniej lub bardziej wa\u017cne decyzje podejmujemy na podstawie analizy danych. W g\u0105szczu informacji jest to mo\u017cliwe dzi\u0119ki wykorzystaniu Machine Learning. Machine Learning \u2013 co to takiego? Machine Learning wykorzystuje algorytmy matematyczne, dzi\u0119ki kt\u00f3rym \u201euczy\u201d si\u0119 danych oraz poddaje je&#8230;<\/p>\n","protected":false},"author":26,"featured_media":95225,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_editorskit_title_hidden":false,"_editorskit_reading_time":9,"_editorskit_typography_data":[],"_editorskit_blocks_typography":"","_editorskit_is_block_options_detached":false,"_editorskit_block_options_position":"{}"},"categories":[560],"tags":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v16.7 (Yoast SEO v19.6) - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Machine Learning \u2014 czym jest uczenie maszynowe? - FOTC<\/title>\n<meta name=\"description\" content=\"Czym jest Machine Learning, jak dzia\u0142a, jakie modele wykorzystuje i jak w praktyce i w chmurze wykorzysta\u0107 uczenie maszynowe.\" \/>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/fotc.com\/pl\/blog\/machine-learning\/\" \/>\n<meta property=\"og:locale\" content=\"pl_PL\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Machine Learning \u2014 czym jest uczenie maszynowe?\" \/>\n<meta property=\"og:description\" content=\"Czym jest Machine Learning, jak dzia\u0142a, jakie modele wykorzystuje i jak w praktyce i w chmurze wykorzysta\u0107 uczenie maszynowe.\" \/>\n<meta property=\"og:url\" content=\"https:\/\/fotc.com\/pl\/blog\/machine-learning\/\" \/>\n<meta property=\"og:site_name\" content=\"FOTC\" \/>\n<meta property=\"article:published_time\" content=\"2022-11-16T21:33:29+00:00\" \/>\n<meta property=\"article:modified_time\" content=\"2023-11-27T06:54:25+00:00\" \/>\n<meta property=\"og:image\" content=\"https:\/\/fotc.com\/app\/uploads\/2022\/11\/BLOG_GCP_PL.png\" \/>\n\t<meta property=\"og:image:width\" content=\"1200\" \/>\n\t<meta property=\"og:image:height\" content=\"628\" \/>\n\t<meta property=\"og:image:type\" content=\"image\/png\" \/>\n<meta name=\"author\" content=\"Micha\u0142 Krzak\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"WebPage\",\"@id\":\"https:\/\/fotc.com\/pl\/blog\/machine-learning\/\",\"url\":\"https:\/\/fotc.com\/pl\/blog\/machine-learning\/\",\"name\":\"Machine Learning \u2014 czym jest uczenie maszynowe? - FOTC\",\"isPartOf\":{\"@id\":\"https:\/\/fotc.com\/#website\"},\"datePublished\":\"2022-11-16T21:33:29+00:00\",\"dateModified\":\"2023-11-27T06:54:25+00:00\",\"author\":{\"@id\":\"https:\/\/fotc.com\/#\/schema\/person\/8804ea9f08fae06c18c12d0163af3691\"},\"description\":\"Czym jest Machine Learning, jak dzia\u0142a, jakie modele wykorzystuje i jak w praktyce i w chmurze wykorzysta\u0107 uczenie maszynowe.\",\"breadcrumb\":{\"@id\":\"https:\/\/fotc.com\/pl\/blog\/machine-learning\/#breadcrumb\"},\"inLanguage\":\"pl-PL\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/fotc.com\/pl\/blog\/machine-learning\/\"]}]},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/fotc.com\/pl\/blog\/machine-learning\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"PL\",\"item\":\"https:\/\/fotc.com\/pl\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Google Cloud\",\"item\":\"https:\/\/fotc.com\/pl\/blog\/category\/google-cloud-platform-pl\/\"},{\"@type\":\"ListItem\",\"position\":3,\"name\":\"Machine Learning \u2014 czym jest uczenie maszynowe?\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/fotc.com\/#website\",\"url\":\"https:\/\/fotc.com\/\",\"name\":\"FOTC\",\"description\":\"Partner Google Cloud\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/fotc.com\/?s={search_term_string}\"},\"query-input\":\"required name=search_term_string\"}],\"inLanguage\":\"pl-PL\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/fotc.com\/#\/schema\/person\/8804ea9f08fae06c18c12d0163af3691\",\"name\":\"Micha\u0142 Krzak\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"pl-PL\",\"@id\":\"https:\/\/fotc.com\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/cb052d2519758d2585eee1abaf8ab5ed?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/cb052d2519758d2585eee1abaf8ab5ed?s=96&d=mm&r=g\",\"caption\":\"Micha\u0142 Krzak\"},\"description\":\"Copywriter, dziennikarz, content marketer. Od 2005 roku tworzy artyku\u0142y , teksty blogowe i raporty dla bran\u017cy nowoczesnych technologii, druku 3D oraz logistyki.\",\"url\":\"https:\/\/fotc.com\/pl\/blog\/author\/michal-krzak\/\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Machine Learning \u2014 czym jest uczenie maszynowe? - FOTC","description":"Czym jest Machine Learning, jak dzia\u0142a, jakie modele wykorzystuje i jak w praktyce i w chmurze wykorzysta\u0107 uczenie maszynowe.","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/fotc.com\/pl\/blog\/machine-learning\/","og_locale":"pl_PL","og_type":"article","og_title":"Machine Learning \u2014 czym jest uczenie maszynowe?","og_description":"Czym jest Machine Learning, jak dzia\u0142a, jakie modele wykorzystuje i jak w praktyce i w chmurze wykorzysta\u0107 uczenie maszynowe.","og_url":"https:\/\/fotc.com\/pl\/blog\/machine-learning\/","og_site_name":"FOTC","article_published_time":"2022-11-16T21:33:29+00:00","article_modified_time":"2023-11-27T06:54:25+00:00","og_image":[{"width":1200,"height":628,"url":"https:\/\/fotc.com\/app\/uploads\/2022\/11\/BLOG_GCP_PL.png","type":"image\/png"}],"author":"Micha\u0142 Krzak","twitter_card":"summary_large_image","schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"WebPage","@id":"https:\/\/fotc.com\/pl\/blog\/machine-learning\/","url":"https:\/\/fotc.com\/pl\/blog\/machine-learning\/","name":"Machine Learning \u2014 czym jest uczenie maszynowe? - FOTC","isPartOf":{"@id":"https:\/\/fotc.com\/#website"},"datePublished":"2022-11-16T21:33:29+00:00","dateModified":"2023-11-27T06:54:25+00:00","author":{"@id":"https:\/\/fotc.com\/#\/schema\/person\/8804ea9f08fae06c18c12d0163af3691"},"description":"Czym jest Machine Learning, jak dzia\u0142a, jakie modele wykorzystuje i jak w praktyce i w chmurze wykorzysta\u0107 uczenie maszynowe.","breadcrumb":{"@id":"https:\/\/fotc.com\/pl\/blog\/machine-learning\/#breadcrumb"},"inLanguage":"pl-PL","potentialAction":[{"@type":"ReadAction","target":["https:\/\/fotc.com\/pl\/blog\/machine-learning\/"]}]},{"@type":"BreadcrumbList","@id":"https:\/\/fotc.com\/pl\/blog\/machine-learning\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"PL","item":"https:\/\/fotc.com\/pl\/"},{"@type":"ListItem","position":2,"name":"Google Cloud","item":"https:\/\/fotc.com\/pl\/blog\/category\/google-cloud-platform-pl\/"},{"@type":"ListItem","position":3,"name":"Machine Learning \u2014 czym jest uczenie maszynowe?"}]},{"@type":"WebSite","@id":"https:\/\/fotc.com\/#website","url":"https:\/\/fotc.com\/","name":"FOTC","description":"Partner Google Cloud","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/fotc.com\/?s={search_term_string}"},"query-input":"required name=search_term_string"}],"inLanguage":"pl-PL"},{"@type":"Person","@id":"https:\/\/fotc.com\/#\/schema\/person\/8804ea9f08fae06c18c12d0163af3691","name":"Micha\u0142 Krzak","image":{"@type":"ImageObject","inLanguage":"pl-PL","@id":"https:\/\/fotc.com\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/cb052d2519758d2585eee1abaf8ab5ed?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/cb052d2519758d2585eee1abaf8ab5ed?s=96&d=mm&r=g","caption":"Micha\u0142 Krzak"},"description":"Copywriter, dziennikarz, content marketer. Od 2005 roku tworzy artyku\u0142y , teksty blogowe i raporty dla bran\u017cy nowoczesnych technologii, druku 3D oraz logistyki.","url":"https:\/\/fotc.com\/pl\/blog\/author\/michal-krzak\/"}]}},"_links":{"self":[{"href":"https:\/\/fotc.com\/pl\/wp-json\/wp\/v2\/posts\/95222"}],"collection":[{"href":"https:\/\/fotc.com\/pl\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/fotc.com\/pl\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/fotc.com\/pl\/wp-json\/wp\/v2\/users\/26"}],"replies":[{"embeddable":true,"href":"https:\/\/fotc.com\/pl\/wp-json\/wp\/v2\/comments?post=95222"}],"version-history":[{"count":0,"href":"https:\/\/fotc.com\/pl\/wp-json\/wp\/v2\/posts\/95222\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/fotc.com\/pl\/wp-json\/wp\/v2\/media\/95225"}],"wp:attachment":[{"href":"https:\/\/fotc.com\/pl\/wp-json\/wp\/v2\/media?parent=95222"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/fotc.com\/pl\/wp-json\/wp\/v2\/categories?post=95222"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/fotc.com\/pl\/wp-json\/wp\/v2\/tags?post=95222"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}