diff --git "a/data/batch_00000.jsonl" "b/data/batch_00000.jsonl" --- "a/data/batch_00000.jsonl" +++ "b/data/batch_00000.jsonl" @@ -1,1000 +1,1000 @@ -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: pozyskiwanie danych\nŹródło: 001_pozyskiwanie_danych.py\n\nPolecenie z pliku:\n## Zadanie 1\n\n1. Wczytaj dane z tego samego pliku.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź ile wierszy ma dataset.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: iris_like.\nKolumny mogą wyglądać tak: sepal_length, sepal_width, petal_length, petal_width, species.\nTarget: species.\n\nChecklist dla tematu:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\ndf_task1 = pd.read_csv(url)\n\ndf_task1.head(10)\nlen(df_task1)\n\nKod Python:\n```python\ndf_task1 = pd.read_csv(url)\n\ndf_task1.head(10)\nlen(df_task1)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt", "source_file": "001_pozyskiwanie_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: pozyskiwanie danych\nŹródło: 001_pozyskiwanie_danych.py\n\nPolecenie z pliku:\n## Zadanie 2\n\n1. Sprawdź ile kolumn ma dataset.\n2. Wyświetl typy danych.\n3. Sprawdź czy występują brakujące wartości.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: penguins_like.\nKolumny mogą wyglądać tak: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species.\nTarget: species.\n\nChecklist dla tematu:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\ndf.shape[1]\ndf.dtypes\ndf.isna().sum()\n\nKod Python:\n```python\ndf.shape[1]\ndf.dtypes\ndf.isna().sum()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt", "source_file": "001_pozyskiwanie_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: pozyskiwanie danych\nŹródło: 001_pozyskiwanie_danych.py\n\nPolecenie z pliku:\n## Zadanie 3\n\n1. Zapisz dataset do pliku `dataset.csv`.\n2. Wczytaj go ponownie.\n3. Wyświetl ostatnie 5 wierszy.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\n\nChecklist dla tematu:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\ndf.to_csv(\"dataset.csv\", index=False)\n\ndataset = pd.read_csv(\"dataset.csv\")\n\ndataset.tail(5)\n\nKod Python:\n```python\ndf.to_csv(\"dataset.csv\", index=False)\n\ndataset = pd.read_csv(\"dataset.csv\")\n\ndataset.tail(5)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt", "source_file": "001_pozyskiwanie_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: pozyskiwanie danych\nŹródło: 001_pozyskiwanie_danych.py\n\nPolecenie z pliku:\n## Zadanie 4\n\nPobierz dane z:\n\nhttps://jsonplaceholder.typicode.com/users\n\ni przekształć je do DataFrame.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\n\nChecklist dla tematu:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\nurl_users = \"https://jsonplaceholder.typicode.com/users\"\n\nusers = requests.get(url_users).json()\n\ndf_users = pd.DataFrame(users)\n\ndf_users.head()\n\nKod Python:\n```python\nurl_users = \"https://jsonplaceholder.typicode.com/users\"\n\nusers = requests.get(url_users).json()\n\ndf_users = pd.DataFrame(users)\n\ndf_users.head()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt", "source_file": "001_pozyskiwanie_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: pozyskiwanie danych\nŹródło: 001_pozyskiwanie_danych.py\n\nPolecenie z pliku:\n## Zadanie 5\n\n1. Zapisz dataset do Excela.\n2. Wczytaj go ponownie.\n3. Sprawdź rozmiar datasetu.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: sales_like.\nKolumny mogą wyglądać tak: ad_spend, price, season, store_size, sales.\nTarget: sales.\n\nChecklist dla tematu:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\ndf.to_excel(\"dataset.xlsx\", index=False)\n\ndataset_excel = pd.read_excel(\"dataset.xlsx\")\n\ndataset_excel.shape\n\nKod Python:\n```python\ndf.to_excel(\"dataset.xlsx\", index=False)\n\ndataset_excel = pd.read_excel(\"dataset.xlsx\")\n\ndataset_excel.shape\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt", "source_file": "001_pozyskiwanie_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: pozyskiwanie danych\nŹródło: 001_pozyskiwanie_danych.py\n\nPolecenie z pliku:\n## Zadanie 6\n\nWczytaj tylko kolumny:\n\n- total_bill\n- sex\n- day", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: wine_like.\nKolumny mogą wyglądać tak: alcohol, malic_acid, ash, magnesium, flavanoids, class.\nTarget: class.\n\nChecklist dla tematu:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\ncolumns_subset = pd.read_csv(\n \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\",\n usecols=[\"total_bill\", \"sex\", \"day\"]\n)\n\ncolumns_subset.head()\n\nKod Python:\n```python\ncolumns_subset = pd.read_csv(\n \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\",\n usecols=[\"total_bill\", \"sex\", \"day\"]\n)\n\ncolumns_subset.head()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt", "source_file": "001_pozyskiwanie_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: pozyskiwanie danych\nŹródło: 001_pozyskiwanie_danych.py\n\nPolecenie z pliku:\n## Zadanie 7\n\nWczytaj pierwsze 50 wierszy datasetu.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\n\nChecklist dla tematu:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\nfirst_50 = pd.read_csv(\n \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\",\n nrows=50\n)\n\nfirst_50.head()\n\nKod Python:\n```python\nfirst_50 = pd.read_csv(\n \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\",\n nrows=50\n)\n\nfirst_50.head()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt", "source_file": "001_pozyskiwanie_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: pozyskiwanie danych\nŹródło: 001_pozyskiwanie_danych.py\n\nPolecenie z pliku:\n## Zadanie\n\n1. Zapisz dane do tabeli `tips2`\n2. Wczytaj je ponownie z SQL", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\n\nChecklist dla tematu:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\ndf.to_sql(\"tips2\", conn, if_exists=\"replace\", index=False)\n\ntips2 = pd.read_sql(\"SELECT * FROM tips2\", conn)\n\ntips2.head()\n\nKod Python:\n```python\ndf.to_sql(\"tips2\", conn, if_exists=\"replace\", index=False)\n\ntips2 = pd.read_sql(\"SELECT * FROM tips2\", conn)\n\ntips2.head()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt", "source_file": "001_pozyskiwanie_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: pozyskiwanie danych\nŹródło: 001_pozyskiwanie_danych.py\n\nPolecenie z pliku:\n## Zadanie 9\n\nWygeneruj dataset zawierający:\n\n- 200 osób\n- kolumny: wzrost, waga", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: iris_like.\nKolumny mogą wyglądać tak: sepal_length, sepal_width, petal_length, petal_width, species.\nTarget: species.\n\nChecklist dla tematu:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\npeople = pd.DataFrame({\n \"wzrost\": np.random.randint(150, 201, 200),\n \"waga\": np.random.randint(45, 121, 200)\n})\n\npeople.head()\n\nKod Python:\n```python\npeople = pd.DataFrame({\n \"wzrost\": np.random.randint(150, 201, 200),\n \"waga\": np.random.randint(45, 121, 200)\n})\n\npeople.head()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt", "source_file": "001_pozyskiwanie_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: pozyskiwanie danych\nŹródło: 001_pozyskiwanie_danych.py\n\nPolecenie z pliku:\n## Zadanie 10\n\nDodaj trzeci dataset zawierający kolumnę `id` i `miasto`.\n\nPołącz wszystkie trzy.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: penguins_like.\nKolumny mogą wyglądać tak: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species.\nTarget: species.\n\nChecklist dla tematu:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\nc = pd.DataFrame({\n \"id\": [1, 2, 3],\n \"miasto\": [\"Warszawa\", \"Kraków\", \"Gdańsk\"]\n})\n\nmerged = pd.merge(pd.merge(a, b, on=\"id\"), c, on=\"id\")\n\nmerged.head()\n\nKod Python:\n```python\nc = pd.DataFrame({\n \"id\": [1, 2, 3],\n \"miasto\": [\"Warszawa\", \"Kraków\", \"Gdańsk\"]\n})\n\nmerged = pd.merge(pd.merge(a, b, on=\"id\"), c, on=\"id\")\n\nmerged.head()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt", "source_file": "001_pozyskiwanie_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: pozyskiwanie danych\nŹródło: 001_pozyskiwanie_danych.py\n\nPolecenie z pliku:\n## Zadanie 11\n\n1. Wczytaj dataset `tips`\n2. Sprawdź typy danych\n3. Wybierz tylko kolumny `total_bill`, `tip`\n4. Zapisz wynik do CSV", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\n\nChecklist dla tematu:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\ntips = pd.read_csv(url)\n\ntips.dtypes\n\ntips_selected = tips[[\"total_bill\", \"tip\"]]\n\ntips_selected.to_csv(\"tips_selected.csv\", index=False)\n\nKod Python:\n```python\ntips = pd.read_csv(url)\n\ntips.dtypes\n\ntips_selected = tips[[\"total_bill\", \"tip\"]]\n\ntips_selected.to_csv(\"tips_selected.csv\", index=False)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt", "source_file": "001_pozyskiwanie_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: pozyskiwanie danych\nŹródło: 001_pozyskiwanie_danych.py\n\nPolecenie z pliku:\n## Zadanie końcowe 12\n\nNapisz skrypt który:\n\n1. Pobiera dane z internetu\n2. Zapisuje je lokalnie\n3. Wczytuje je ponownie\n4. Wyświetla podstawowe statystyki (`describe()`)", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\n\nChecklist dla tematu:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\nfinal_df = pd.read_csv(url)\n\nfinal_df.to_csv(\"final_tips.csv\", index=False)\n\nfinal_loaded = pd.read_csv(\"final_tips.csv\")\n\nfinal_loaded.describe()\n\nKod Python:\n```python\nfinal_df = pd.read_csv(url)\n\nfinal_df.to_csv(\"final_tips.csv\", index=False)\n\nfinal_loaded = pd.read_csv(\"final_tips.csv\")\n\nfinal_loaded.describe()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt", "source_file": "001_pozyskiwanie_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: braki danych i outliery\nŹródło: 002_braki_i_outliery.py\n\nPolecenie z pliku:\n## Zadanie 1\n\n1. Wczytaj dataset Titanic.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź liczbę wierszy i kolumn.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\n\nChecklist dla tematu:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\ndf.head(10)\n\ndf.shape\n\nKod Python:\n```python\ndf.head(10)\n\ndf.shape\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "original_lab_prompt", "source_file": "002_braki_i_outliery.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: braki danych i outliery\nŹródło: 002_braki_i_outliery.py\n\nPolecenie z pliku:\n## Zadanie 2\n\n1. Sprawdź ile braków jest w kolumnie `age`.\n2. Sprawdź ile braków jest w kolumnie `deck`.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: sales_like.\nKolumny mogą wyglądać tak: ad_spend, price, season, store_size, sales.\nTarget: sales.\n\nChecklist dla tematu:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\ndf['age'].isna().sum()\n\ndf['deck'].isna().sum()\n\nKod Python:\n```python\ndf['age'].isna().sum()\n\ndf['deck'].isna().sum()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "original_lab_prompt", "source_file": "002_braki_i_outliery.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: braki danych i outliery\nŹródło: 002_braki_i_outliery.py\n\nPolecenie z pliku:\n## Zadanie 3\n\nPolicz procent braków dla wszystkich kolumn.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\n\nChecklist dla tematu:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\ndf.isna().mean() * 100\n\nKod Python:\n```python\ndf.isna().mean() * 100\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "original_lab_prompt", "source_file": "002_braki_i_outliery.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: braki danych i outliery\nŹródło: 002_braki_i_outliery.py\n\nPolecenie z pliku:\n## Zadanie 4\n\nUsuń tylko wiersze gdzie brakuje wartości w kolumnie `age`.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\n\nChecklist dla tematu:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\ndf_age_clean = df.dropna(subset=['age'])\n\ndf_age_clean.shape\n\nKod Python:\n```python\ndf_age_clean = df.dropna(subset=['age'])\n\ndf_age_clean.shape\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "original_lab_prompt", "source_file": "002_braki_i_outliery.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: braki danych i outliery\nŹródło: 002_braki_i_outliery.py\n\nPolecenie z pliku:\n## Zadanie 5\n\nUzupełnij brakujące wartości w kolumnie `fare` medianą.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\n\nChecklist dla tematu:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\nfare_median = df['fare'].median()\n\ndf['fare_filled'] = df['fare'].fillna(fare_median)\n\ndf[['fare', 'fare_filled']].head()\n\nKod Python:\n```python\nfare_median = df['fare'].median()\n\ndf['fare_filled'] = df['fare'].fillna(fare_median)\n\ndf[['fare', 'fare_filled']].head()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "original_lab_prompt", "source_file": "002_braki_i_outliery.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: braki danych i outliery\nŹródło: 002_braki_i_outliery.py\n\nPolecenie z pliku:\n## Zadanie 6\n\nUżyj metody `bfill` do uzupełnienia braków.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: sales_like.\nKolumny mogą wyglądać tak: ad_spend, price, season, store_size, sales.\nTarget: sales.\n\nChecklist dla tematu:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\ndf_bfill = df.fillna(method='bfill')\n\ndf_bfill.head()\n\nKod Python:\n```python\ndf_bfill = df.fillna(method='bfill')\n\ndf_bfill.head()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "original_lab_prompt", "source_file": "002_braki_i_outliery.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: braki danych i outliery\nŹródło: 002_braki_i_outliery.py\n\nPolecenie z pliku:\n## Zadanie 7\n\nNarysuj boxplot dla kolumny `age`.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\n\nChecklist dla tematu:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\nsns.boxplot(x=df['age'])\n\nplt.show()\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\nsns.boxplot(x=df['age'])\n\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "original_lab_prompt", "source_file": "002_braki_i_outliery.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: braki danych i outliery\nŹródło: 002_braki_i_outliery.py\n\nPolecenie z pliku:\n## Zadanie 8\n\nZnajdź wartości odstające w kolumnie `age`.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\n\nChecklist dla tematu:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\nQ1 = df['age'].quantile(0.25)\nQ3 = df['age'].quantile(0.75)\n\nIQR = Q3 - Q1\n\nage_outliers = df[(df['age'] < Q1 - 1.5 * IQR) | (df['age'] > Q3 + 1.5 * IQR)]\n\nage_outliers.head()\n\nKod Python:\n```python\nQ1 = df['age'].quantile(0.25)\nQ3 = df['age'].quantile(0.75)\n\nIQR = Q3 - Q1\n\nage_outliers = df[(df['age'] < Q1 - 1.5 * IQR) | (df['age'] > Q3 + 1.5 * IQR)]\n\nage_outliers.head()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "original_lab_prompt", "source_file": "002_braki_i_outliery.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: braki danych i outliery\nŹródło: 002_braki_i_outliery.py\n\nPolecenie z pliku:\n## Zadanie 9\n\nUsuń outliery w kolumnie `age`.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\n\nChecklist dla tematu:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\nage_no_outliers = df[(df['age'] >= Q1 - 1.5 * IQR) & (df['age'] <= Q3 + 1.5 * IQR)]\n\nage_no_outliers.shape\n\nKod Python:\n```python\nage_no_outliers = df[(df['age'] >= Q1 - 1.5 * IQR) & (df['age'] <= Q3 + 1.5 * IQR)]\n\nage_no_outliers.shape\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "original_lab_prompt", "source_file": "002_braki_i_outliery.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: braki danych i outliery\nŹródło: 002_braki_i_outliery.py\n\nPolecenie z pliku:\n## Zadanie 10\n\nZastosuj winsoryzację dla kolumny `age`.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: sales_like.\nKolumny mogą wyglądać tak: ad_spend, price, season, store_size, sales.\nTarget: sales.\n\nChecklist dla tematu:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\nlower = Q1 - 1.5 * IQR\nupper = Q3 + 1.5 * IQR\n\ndf['age_winsor'] = df['age'].clip(lower, upper)\n\ndf[['age', 'age_winsor']].head()\n\nKod Python:\n```python\nlower = Q1 - 1.5 * IQR\nupper = Q3 + 1.5 * IQR\n\ndf['age_winsor'] = df['age'].clip(lower, upper)\n\ndf[['age', 'age_winsor']].head()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "original_lab_prompt", "source_file": "002_braki_i_outliery.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: braki danych i outliery\nŹródło: 002_braki_i_outliery.py\n\nPolecenie z pliku:\n## Zadanie 11.\n\n1. Wczytaj dataset Titanic\n2. Sprawdź braki danych\n3. Uzupełnij kolumnę age medianą\n4. Znajdź outliery w kolumnie fare", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\n\nChecklist dla tematu:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\ndf = pd.read_csv(url)\n\ndf.isna().sum()\n\ndf['age_filled'] = df['age'].fillna(df['age'].median())\n\nfare_q1 = df['fare'].quantile(0.25)\nfare_q3 = df['fare'].quantile(0.75)\nfare_iqr = fare_q3 - fare_q1\n\nfare_outliers = df[(df['fare'] < fare_q1 - 1.5 * fare_iqr) | (df['fare'] > fare_q3 + 1.5 * fare_iqr)]\n\nfare_outliers.head()\n\nKod Python:\n```python\ndf = pd.read_csv(url)\n\ndf.isna().sum()\n\ndf['age_filled'] = df['age'].fillna(df['age'].median())\n\nfare_q1 = df['fare'].quantile(0.25)\nfare_q3 = df['fare'].quantile(0.75)\nfare_iqr = fare_q3 - fare_q1\n\nfare_outliers = df[(df['fare'] < fare_q1 - 1.5 * fare_iqr) | (df['fare'] > fare_q3 + 1.5 * fare_iqr)]\n\nfare_outliers.head()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "original_lab_prompt", "source_file": "002_braki_i_outliery.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: braki danych i outliery\nŹródło: 002_braki_i_outliery.py\n\nPolecenie z pliku:\n## Zadanie końcowe 12\n\nPrzygotuj pipeline czyszczenia danych:\n\n1. wczytanie danych\n2. analiza braków\n3. uzupełnienie braków\n4. wykrycie outlierów\n5. usunięcie lub winsoryzacja", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\n\nChecklist dla tematu:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\ndf = pd.read_csv(url)\n\nmissing = df.isna().sum()\n\ndf['age'] = df['age'].fillna(df['age'].median())\ndf['fare'] = df['fare'].fillna(df['fare'].median())\n\nfare_q1 = df['fare'].quantile(0.25)\nfare_q3 = df['fare'].quantile(0.75)\nfare_iqr = fare_q3 - fare_q1\nlower = fare_q1 - 1.5 * fare_iqr\nupper = fare_q3 + 1.5 * fare_iqr\n\ndf_clean = df[(df['fare'] >= lower) & (df['fare'] <= upper)]\n\ndf_clean.head()\n\nKod Python:\n```python\ndf = pd.read_csv(url)\n\nmissing = df.isna().sum()\n\ndf['age'] = df['age'].fillna(df['age'].median())\ndf['fare'] = df['fare'].fillna(df['fare'].median())\n\nfare_q1 = df['fare'].quantile(0.25)\nfare_q3 = df['fare'].quantile(0.75)\nfare_iqr = fare_q3 - fare_q1\nlower = fare_q1 - 1.5 * fare_iqr\nupper = fare_q3 + 1.5 * fare_iqr\n\ndf_clean = df[(df['fare'] >= lower) & (df['fare'] <= upper)]\n\ndf_clean.head()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "original_lab_prompt", "source_file": "002_braki_i_outliery.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: normalizacja i kodowanie\nŹródło: 003_normalizacja_kodowanie.py\n\nPolecenie z pliku:\n## Zadanie 1\n\n1. Wczytaj dataset.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź rozmiar datasetu (`shape`).", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\n\nChecklist dla tematu:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\ndf.head(10)\n\ndf.shape\n\nKod Python:\n```python\ndf.head(10)\n\ndf.shape\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt", "source_file": "003_normalizacja_kodowanie.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: normalizacja i kodowanie\nŹródło: 003_normalizacja_kodowanie.py\n\nPolecenie z pliku:\n## Zadanie 2\n\nSprawdź minimalne i maksymalne wartości dla:\n\n- bill_length_mm\n- body_mass_g", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: sales_like.\nKolumny mogą wyglądać tak: ad_spend, price, season, store_size, sales.\nTarget: sales.\n\nChecklist dla tematu:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\ndf[['bill_length_mm', 'body_mass_g']].agg(['min', 'max'])\n\nKod Python:\n```python\ndf[['bill_length_mm', 'body_mass_g']].agg(['min', 'max'])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt", "source_file": "003_normalizacja_kodowanie.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: normalizacja i kodowanie\nŹródło: 003_normalizacja_kodowanie.py\n\nPolecenie z pliku:\n## Zadanie 3\n\nZnormalizuj kolumnę `body_mass_g`.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: penguins_like.\nKolumny mogą wyglądać tak: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species.\nTarget: species.\n\nChecklist dla tematu:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\nfrom sklearn.preprocessing import MinMaxScaler\n\nscaler = MinMaxScaler()\n\ndf[['body_mass_g_norm']] = scaler.fit_transform(df[['body_mass_g']])\n\ndf[['body_mass_g', 'body_mass_g_norm']].head()\n\nKod Python:\n```python\nfrom sklearn.preprocessing import MinMaxScaler\n\nscaler = MinMaxScaler()\n\ndf[['body_mass_g_norm']] = scaler.fit_transform(df[['body_mass_g']])\n\ndf[['body_mass_g', 'body_mass_g_norm']].head()\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt", "source_file": "003_normalizacja_kodowanie.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: normalizacja i kodowanie\nŹródło: 003_normalizacja_kodowanie.py\n\nPolecenie z pliku:\n## Zadanie 4\n\nZastosuj standaryzację do kolumny `bill_depth_mm`.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\n\nChecklist dla tematu:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\nfrom sklearn.preprocessing import StandardScaler\n\nscaler = StandardScaler()\n\ndf[['bill_depth_standard']] = scaler.fit_transform(df[['bill_depth_mm']])\n\ndf[['bill_depth_mm', 'bill_depth_standard']].head()\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\n\nscaler = StandardScaler()\n\ndf[['bill_depth_standard']] = scaler.fit_transform(df[['bill_depth_mm']])\n\ndf[['bill_depth_mm', 'bill_depth_standard']].head()\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt", "source_file": "003_normalizacja_kodowanie.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: normalizacja i kodowanie\nŹródło: 003_normalizacja_kodowanie.py\n\nPolecenie z pliku:\n## Zadanie 5\n\nZastosuj RobustScaler do `bill_length_mm`.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: sales_like.\nKolumny mogą wyglądać tak: ad_spend, price, season, store_size, sales.\nTarget: sales.\n\nChecklist dla tematu:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\nfrom sklearn.preprocessing import RobustScaler\n\nscaler = RobustScaler()\n\ndf[['bill_length_robust']] = scaler.fit_transform(df[['bill_length_mm']])\n\ndf[['bill_length_mm', 'bill_length_robust']].head()\n\nKod Python:\n```python\nfrom sklearn.preprocessing import RobustScaler\n\nscaler = RobustScaler()\n\ndf[['bill_length_robust']] = scaler.fit_transform(df[['bill_length_mm']])\n\ndf[['bill_length_mm', 'bill_length_robust']].head()\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt", "source_file": "003_normalizacja_kodowanie.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: normalizacja i kodowanie\nŹródło: 003_normalizacja_kodowanie.py\n\nPolecenie z pliku:\n## Zadanie 6\n\nSprawdź unikalne wartości w kolumnie `island`.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: penguins_like.\nKolumny mogą wyglądać tak: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species.\nTarget: species.\n\nChecklist dla tematu:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\ndf['island'].unique()\n\nKod Python:\n```python\ndf['island'].unique()\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt", "source_file": "003_normalizacja_kodowanie.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: normalizacja i kodowanie\nŹródło: 003_normalizacja_kodowanie.py\n\nPolecenie z pliku:\n## Zadanie 7\n\nZakoduj kolumnę `sex`.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\n\nChecklist dla tematu:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\nfrom sklearn.preprocessing import LabelEncoder\n\nencoder = LabelEncoder()\n\ndf['sex_encoded'] = encoder.fit_transform(df['sex'])\n\ndf[['sex', 'sex_encoded']].head()\n\nKod Python:\n```python\nfrom sklearn.preprocessing import LabelEncoder\n\nencoder = LabelEncoder()\n\ndf['sex_encoded'] = encoder.fit_transform(df['sex'])\n\ndf[['sex', 'sex_encoded']].head()\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt", "source_file": "003_normalizacja_kodowanie.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: normalizacja i kodowanie\nŹródło: 003_normalizacja_kodowanie.py\n\nPolecenie z pliku:\n## Zadanie 8\n\nZastosuj one-hot encoding do kolumny `species`.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: sales_like.\nKolumny mogą wyglądać tak: ad_spend, price, season, store_size, sales.\nTarget: sales.\n\nChecklist dla tematu:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\npd.get_dummies(df['species']).head()\n\nKod Python:\n```python\npd.get_dummies(df['species']).head()\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt", "source_file": "003_normalizacja_kodowanie.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: normalizacja i kodowanie\nŹródło: 003_normalizacja_kodowanie.py\n\nPolecenie z pliku:\n## Zadanie 9\n\nSprawdź ile kolumn powstało po kodowaniu.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: penguins_like.\nKolumny mogą wyglądać tak: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species.\nTarget: species.\n\nChecklist dla tematu:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\ndf_encoded = pd.get_dummies(df, columns=['species', 'island', 'sex'])\n\ndf_encoded.shape[1]\n\nKod Python:\n```python\ndf_encoded = pd.get_dummies(df, columns=['species', 'island', 'sex'])\n\ndf_encoded.shape[1]\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt", "source_file": "003_normalizacja_kodowanie.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: normalizacja i kodowanie\nŹródło: 003_normalizacja_kodowanie.py\n\nPolecenie z pliku:\n## Zadanie 10\n\nSprawdź ile cech powstało po transformacji.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\n\nChecklist dla tematu:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\nX = transformer.fit_transform(df)\n\nX.shape\n\nKod Python:\n```python\nX = transformer.fit_transform(df)\n\nX.shape\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt", "source_file": "003_normalizacja_kodowanie.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: normalizacja i kodowanie\nŹródło: 003_normalizacja_kodowanie.py\n\nPolecenie z pliku:\n## Zadanie 11\n\n1. Wczytaj dataset\n2. Znormalizuj `bill_length_mm`\n3. Standaryzuj `body_mass_g`\n4. Zakoduj `species` metodą one-hot", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: sales_like.\nKolumny mogą wyglądać tak: ad_spend, price, season, store_size, sales.\nTarget: sales.\n\nChecklist dla tematu:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\nfrom sklearn.preprocessing import MinMaxScaler, StandardScaler\n\ndf_solution = df.copy()\n\ndf_solution[['bill_length_norm']] = MinMaxScaler().fit_transform(df_solution[['bill_length_mm']])\ndf_solution[['body_mass_standard']] = StandardScaler().fit_transform(df_solution[['body_mass_g']])\nspecies_encoded = pd.get_dummies(df_solution['species'], prefix='species')\n\nresult = pd.concat([\n df_solution,\n species_encoded\n], axis=1)\n\nresult.head()\n\nKod Python:\n```python\nfrom sklearn.preprocessing import MinMaxScaler, StandardScaler\n\ndf_solution = df.copy()\n\ndf_solution[['bill_length_norm']] = MinMaxScaler().fit_transform(df_solution[['bill_length_mm']])\ndf_solution[['body_mass_standard']] = StandardScaler().fit_transform(df_solution[['body_mass_g']])\nspecies_encoded = pd.get_dummies(df_solution['species'], prefix='species')\n\nresult = pd.concat([\n df_solution,\n species_encoded\n], axis=1)\n\nresult.head()\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt", "source_file": "003_normalizacja_kodowanie.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: normalizacja i kodowanie\nŹródło: 003_normalizacja_kodowanie.py\n\nPolecenie z pliku:\n## Zadanie końcowe 12\n\nStwórz kompletny program, który wykonuje następujące polecenia:\n\n1. skalowanie danych numerycznych\n2. kodowanie zmiennych kategorycznych\n3. utworzenie finalnej macierzy cech", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: penguins_like.\nKolumny mogą wyglądać tak: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species.\nTarget: species.\n\nChecklist dla tematu:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = ['bill_length_mm', 'bill_depth_mm', 'flipper_length_mm', 'body_mass_g']\ncat_cols = ['species', 'island', 'sex']\n\ntransformer = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(), cat_cols)\n])\n\nX = transformer.fit_transform(df)\n\nX.shape\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = ['bill_length_mm', 'bill_depth_mm', 'flipper_length_mm', 'body_mass_g']\ncat_cols = ['species', 'island', 'sex']\n\ntransformer = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(), cat_cols)\n])\n\nX = transformer.fit_transform(df)\n\nX.shape\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt", "source_file": "003_normalizacja_kodowanie.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: podział danych i walidacja\nŹródło: 005_podzial_danych.py\n\nPolecenie z pliku:\n## Zadanie 1\n\n1. Wczytaj dataset.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź liczbę obserwacji.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: iris_like.\nKolumny mogą wyglądać tak: sepal_length, sepal_width, petal_length, petal_width, species.\nTarget: species.\n\nChecklist dla tematu:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\ndf.head(10)\n\nlen(df)\n\nKod Python:\n```python\ndf.head(10)\n\nlen(df)\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "original_lab_prompt", "source_file": "005_podzial_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: podział danych i walidacja\nŹródło: 005_podzial_danych.py\n\nPolecenie z pliku:\n## Zadanie 2\n\nSprawdź rozmiar X i y.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: penguins_like.\nKolumny mogą wyglądać tak: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species.\nTarget: species.\n\nChecklist dla tematu:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\nX.shape\n\ny.shape\n\nKod Python:\n```python\nX.shape\n\ny.shape\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "original_lab_prompt", "source_file": "005_podzial_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: podział danych i walidacja\nŹródło: 005_podzial_danych.py\n\nPolecenie z pliku:\n## Zadanie 3\n\nPodziel dane tak aby zbiór testowy miał 30% danych.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: wine_like.\nKolumny mogą wyglądać tak: alcohol, malic_acid, ash, magnesium, flavanoids, class.\nTarget: class.\n\nChecklist dla tematu:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n\nX_train.shape, X_test.shape\n\nKod Python:\n```python\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n\nX_train.shape, X_test.shape\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "original_lab_prompt", "source_file": "005_podzial_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: podział danych i walidacja\nŹródło: 005_podzial_danych.py\n\nPolecenie z pliku:\n## Zadanie 4\n\nSprawdź czy przy różnych `random_state` podział będzie inny.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\n\nChecklist dla tematu:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\nX_train_a, X_test_a, y_train_a, y_test_a = train_test_split(X, y, test_size=0.2, random_state=1)\nX_train_b, X_test_b, y_train_b, y_test_b = train_test_split(X, y, test_size=0.2, random_state=2)\n\nX_train_a.equals(X_train_b)\n\nKod Python:\n```python\nX_train_a, X_test_a, y_train_a, y_test_a = train_test_split(X, y, test_size=0.2, random_state=1)\nX_train_b, X_test_b, y_train_b, y_test_b = train_test_split(X, y, test_size=0.2, random_state=2)\n\nX_train_a.equals(X_train_b)\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "original_lab_prompt", "source_file": "005_podzial_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: podział danych i walidacja\nŹródło: 005_podzial_danych.py\n\nPolecenie z pliku:\n## Zadanie 5\n\nPodziel dane w proporcji 70/30.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\n\nChecklist dla tematu:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)\n\nprint(len(X_train), len(X_test))\n\nKod Python:\n```python\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)\n\nprint(len(X_train), len(X_test))\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "original_lab_prompt", "source_file": "005_podzial_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: podział danych i walidacja\nŹródło: 005_podzial_danych.py\n\nPolecenie z pliku:\n## Zadanie 6\n\nSprawdź rozkład klas w zbiorze testowym.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: sales_like.\nKolumny mogą wyglądać tak: ad_spend, price, season, store_size, sales.\nTarget: sales.\n\nChecklist dla tematu:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\ny_test.value_counts()\n\nKod Python:\n```python\ny_test.value_counts()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "original_lab_prompt", "source_file": "005_podzial_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: podział danych i walidacja\nŹródło: 005_podzial_danych.py\n\nPolecenie z pliku:\n## Zadanie 7\n\nSprawdź accuracy modelu.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\n\nChecklist dla tematu:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\nmodel.score(X_test, y_test)\n\nKod Python:\n```python\nmodel.score(X_test, y_test)\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "original_lab_prompt", "source_file": "005_podzial_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: podział danych i walidacja\nŹródło: 005_podzial_danych.py\n\nPolecenie z pliku:\n## Zadanie 8\n\nPolicz średnią wartość accuracy.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: iris_like.\nKolumny mogą wyglądać tak: sepal_length, sepal_width, petal_length, petal_width, species.\nTarget: species.\n\nChecklist dla tematu:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\nscores.mean()\n\nKod Python:\n```python\nscores.mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "original_lab_prompt", "source_file": "005_podzial_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: podział danych i walidacja\nŹródło: 005_podzial_danych.py\n\nPolecenie z pliku:\n## Zadanie 9\n\nWyjaśnij dlaczego trenowanie modelu na całym zbiorze jest błędem.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: penguins_like.\nKolumny mogą wyglądać tak: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species.\nTarget: species.\n\nChecklist dla tematu:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\nTrenowanie modelu na całym zbiorze powoduje data leakage, bo model widzi także dane testowe. W efekcie wynik oceny jest zbyt optymistyczny i nie pokazuje realnej jakości modelu na nowych danych.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "original_lab_prompt", "source_file": "005_podzial_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: podział danych i walidacja\nŹródło: 005_podzial_danych.py\n\nPolecenie z pliku:\n## Zadanie 10\n\nPorównaj rozkład `petal_length` w train i test.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: wine_like.\nKolumny mogą wyglądać tak: alcohol, malic_acid, ash, magnesium, flavanoids, class.\nTarget: class.\n\nChecklist dla tematu:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\nplt.hist(X_train['petal_length'], alpha=0.5, label='train')\nplt.hist(X_test['petal_length'], alpha=0.5, label='test')\n\nplt.legend()\nplt.show()\n\nKod Python:\n```python\nplt.hist(X_train['petal_length'], alpha=0.5, label='train')\nplt.hist(X_test['petal_length'], alpha=0.5, label='test')\n\nplt.legend()\nplt.show()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "original_lab_prompt", "source_file": "005_podzial_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: podział danych i walidacja\nŹródło: 005_podzial_danych.py\n\nPolecenie z pliku:\n## Zadanie 11\n\n1. Wczytaj dataset\n2. Podziel dane na train/test\n3. Naucz model Decision Tree\n4. Sprawdź accuracy", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\n\nChecklist dla tematu:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n\nKod Python:\n```python\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "original_lab_prompt", "source_file": "005_podzial_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: podział danych i walidacja\nŹródło: 005_podzial_danych.py\n\nPolecenie z pliku:\n## Zadanie końcowe 12\n\nPorównaj trzy strategie:\n\n- 70/30 split\n- 80/20 split\n- cross validation\n\nKtóra daje najbardziej stabilne wyniki?", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\n\nChecklist dla tematu:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\nX_train_70, X_test_70, y_train_70, y_test_70 = train_test_split(X, y, test_size=0.3, random_state=42)\nmodel_70 = DecisionTreeClassifier(random_state=42)\nmodel_70.fit(X_train_70, y_train_70)\nscore_70 = model_70.score(X_test_70, y_test_70)\n\nX_train_80, X_test_80, y_train_80, y_test_80 = train_test_split(X, y, test_size=0.2, random_state=42)\nmodel_80 = DecisionTreeClassifier(random_state=42)\nmodel_80.fit(X_train_80, y_train_80)\nscore_80 = model_80.score(X_test_80, y_test_80)\n\ncv_scores = cross_val_score(DecisionTreeClassifier(random_state=42), X, y, cv=5)\n\nscore_70, score_80, cv_scores.mean()\n\nKod Python:\n```python\nX_train_70, X_test_70, y_train_70, y_test_70 = train_test_split(X, y, test_size=0.3, random_state=42)\nmodel_70 = DecisionTreeClassifier(random_state=42)\nmodel_70.fit(X_train_70, y_train_70)\nscore_70 = model_70.score(X_test_70, y_test_70)\n\nX_train_80, X_test_80, y_train_80, y_test_80 = train_test_split(X, y, test_size=0.2, random_state=42)\nmodel_80 = DecisionTreeClassifier(random_state=42)\nmodel_80.fit(X_train_80, y_train_80)\nscore_80 = model_80.score(X_test_80, y_test_80)\n\ncv_scores = cross_val_score(DecisionTreeClassifier(random_state=42), X, y, cv=5)\n\nscore_70, score_80, cv_scores.mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "original_lab_prompt", "source_file": "005_podzial_danych.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: wizualizacja danych\nŹródło: 006_wizualizacja_ml.py\n\nPolecenie z pliku:\n## Zadanie 1\n\n1. Wczytaj dataset.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź rozmiar datasetu (`shape`).", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: iris_like.\nKolumny mogą wyglądać tak: sepal_length, sepal_width, petal_length, petal_width, species.\nTarget: species.\n\nChecklist dla tematu:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\ndf.head(10)\n\ndf.shape\n\nKod Python:\n```python\ndf.head(10)\n\ndf.shape\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "original_lab_prompt", "source_file": "006_wizualizacja_ml.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: wizualizacja danych\nŹródło: 006_wizualizacja_ml.py\n\nPolecenie z pliku:\n## Zadanie 2\n\nNarysuj histogram dla kolumny `petal_length`.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: penguins_like.\nKolumny mogą wyglądać tak: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species.\nTarget: species.\n\nChecklist dla tematu:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\nplt.hist(df['petal_length'], bins=20)\n\nplt.title(\"Histogram petal_length\")\nplt.xlabel(\"petal_length\")\nplt.ylabel(\"count\")\n\nplt.show()\n\nKod Python:\n```python\nplt.hist(df['petal_length'], bins=20)\n\nplt.title(\"Histogram petal_length\")\nplt.xlabel(\"petal_length\")\nplt.ylabel(\"count\")\n\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "original_lab_prompt", "source_file": "006_wizualizacja_ml.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: wizualizacja danych\nŹródło: 006_wizualizacja_ml.py\n\nPolecenie z pliku:\n## Zadanie 3\n\nNarysuj boxplot dla kolumny `sepal_width`.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\n\nChecklist dla tematu:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\nsns.boxplot(x=df['sepal_width'])\n\nplt.show()\n\nKod Python:\n```python\nsns.boxplot(x=df['sepal_width'])\n\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "original_lab_prompt", "source_file": "006_wizualizacja_ml.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: wizualizacja danych\nŹródło: 006_wizualizacja_ml.py\n\nPolecenie z pliku:\n## Zadanie 4\n\nNarysuj scatter plot:\n\n`sepal_width` vs `petal_width`.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\n\nChecklist dla tematu:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\nplt.scatter(df['sepal_width'], df['petal_width'])\n\nplt.xlabel(\"sepal_width\")\nplt.ylabel(\"petal_width\")\n\nplt.show()\n\nKod Python:\n```python\nplt.scatter(df['sepal_width'], df['petal_width'])\n\nplt.xlabel(\"sepal_width\")\nplt.ylabel(\"petal_width\")\n\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "original_lab_prompt", "source_file": "006_wizualizacja_ml.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: wizualizacja danych\nŹródło: 006_wizualizacja_ml.py\n\nPolecenie z pliku:\n## Zadanie 5\n\nNarysuj scatter plot:\n\n`petal_width` vs `petal_length` z kolorami gatunków.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: sales_like.\nKolumny mogą wyglądać tak: ad_spend, price, season, store_size, sales.\nTarget: sales.\n\nChecklist dla tematu:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\nsns.scatterplot(\n data=df,\n x='petal_width',\n y='petal_length',\n hue='species'\n)\n\nKod Python:\n```python\nsns.scatterplot(\n data=df,\n x='petal_width',\n y='petal_length',\n hue='species'\n)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "original_lab_prompt", "source_file": "006_wizualizacja_ml.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: wizualizacja danych\nŹródło: 006_wizualizacja_ml.py\n\nPolecenie z pliku:\n## Zadanie 6\n\nUruchom pairplot bez rozróżnienia kolorów.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: wine_like.\nKolumny mogą wyglądać tak: alcohol, malic_acid, ash, magnesium, flavanoids, class.\nTarget: class.\n\nChecklist dla tematu:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\nsns.pairplot(df)\n\nKod Python:\n```python\nsns.pairplot(df)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "original_lab_prompt", "source_file": "006_wizualizacja_ml.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: wizualizacja danych\nŹródło: 006_wizualizacja_ml.py\n\nPolecenie z pliku:\n## Zadanie 7\n\nSprawdź które zmienne mają najwyższą korelację.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\n\nChecklist dla tematu:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\ncorr.abs().sort_values(by=corr.columns[0], ascending=False)\n\nKod Python:\n```python\ncorr.abs().sort_values(by=corr.columns[0], ascending=False)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "original_lab_prompt", "source_file": "006_wizualizacja_ml.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: wizualizacja danych\nŹródło: 006_wizualizacja_ml.py\n\nPolecenie z pliku:\n## Zadanie 8\n\nNarysuj heatmap bez wartości liczbowych (`annot=False`).", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: iris_like.\nKolumny mogą wyglądać tak: sepal_length, sepal_width, petal_length, petal_width, species.\nTarget: species.\n\nChecklist dla tematu:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\nsns.heatmap(corr, annot=False, cmap='coolwarm')\n\nKod Python:\n```python\nsns.heatmap(corr, annot=False, cmap='coolwarm')\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "original_lab_prompt", "source_file": "006_wizualizacja_ml.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: wizualizacja danych\nŹródło: 006_wizualizacja_ml.py\n\nPolecenie z pliku:\n## Zadanie 9\n\nSprawdź ile obserwacji jest w każdym gatunku.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: penguins_like.\nKolumny mogą wyglądać tak: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species.\nTarget: species.\n\nChecklist dla tematu:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\ndf['species'].value_counts()\n\nKod Python:\n```python\ndf['species'].value_counts()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "original_lab_prompt", "source_file": "006_wizualizacja_ml.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: wizualizacja danych\nŹródło: 006_wizualizacja_ml.py\n\nPolecenie z pliku:\n## Zadanie 10\n\nNarysuj violinplot dla `sepal_length` według `species`.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\n\nChecklist dla tematu:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\nsns.violinplot(x='species', y='sepal_length', data=df)\n\nKod Python:\n```python\nsns.violinplot(x='species', y='sepal_length', data=df)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "original_lab_prompt", "source_file": "006_wizualizacja_ml.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: wizualizacja danych\nŹródło: 006_wizualizacja_ml.py\n\nPolecenie z pliku:\n## Zadanie 11\n\n1. Wczytaj dataset\n2. Narysuj histogram dla `sepal_length`\n3. Narysuj scatter plot dla `sepal_length` vs `petal_length`\n4. Pokoloruj punkty według `species`", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\n\nChecklist dla tematu:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\nplt.hist(df['sepal_length'], bins=20)\nplt.show()\n\nsns.scatterplot(data=df, x='sepal_length', y='petal_length', hue='species')\nplt.show()\n\nKod Python:\n```python\nplt.hist(df['sepal_length'], bins=20)\nplt.show()\n\nsns.scatterplot(data=df, x='sepal_length', y='petal_length', hue='species')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "original_lab_prompt", "source_file": "006_wizualizacja_ml.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: wizualizacja danych\nŹródło: 006_wizualizacja_ml.py\n\nPolecenie z pliku:\n## Zadanie końcowe 12\n\nWykonaj eksploracyjną analizę danych:\n\n1. histogramy\n2. boxploty\n3. scatter plot\n4. macierz korelacji\n5. heatmap\n\nSpróbuj zinterpretować wyniki.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: sales_like.\nKolumny mogą wyglądać tak: ad_spend, price, season, store_size, sales.\nTarget: sales.\n\nChecklist dla tematu:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df)\nplt.xticks(rotation=45)\nplt.show()\n\nsns.scatterplot(data=df, x='sepal_length', y='petal_length', hue='species')\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nprint(corr)\n\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n\nKod Python:\n```python\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df)\nplt.xticks(rotation=45)\nplt.show()\n\nsns.scatterplot(data=df, x='sepal_length', y='petal_length', hue='species')\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nprint(corr)\n\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "original_lab_prompt", "source_file": "006_wizualizacja_ml.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: KNN\nŹródło: 007_knn.py\n\nPolecenie z pliku:\n## Zadanie 1\n\n1. Wczytaj dataset.\n2. Sprawdź rozmiar datasetu (`shape`).\n3. Wyświetl nazwy kolumn.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: penguins_like.\nKolumny mogą wyglądać tak: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species.\nTarget: species.\n\nChecklist dla tematu:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\ndf.shape\n\ndf.columns\n\nKod Python:\n```python\ndf.shape\n\ndf.columns\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "original_lab_prompt", "source_file": "007_knn.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: KNN\nŹródło: 007_knn.py\n\nPolecenie z pliku:\n## Zadanie 2\n\nSpróbuj użyć cech:\n\n- sepal_length\n- sepal_width", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: wine_like.\nKolumny mogą wyglądać tak: alcohol, malic_acid, ash, magnesium, flavanoids, class.\nTarget: class.\n\nChecklist dla tematu:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\nX = df[['sepal_length', 'sepal_width']]\n\nX.head()\n\nKod Python:\n```python\nX = df[['sepal_length', 'sepal_width']]\n\nX.head()\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "original_lab_prompt", "source_file": "007_knn.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: KNN\nŹródło: 007_knn.py\n\nPolecenie z pliku:\n## Zadanie 3\n\nPodziel dane w proporcji 70/30.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\n\nChecklist dla tematu:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n\nKod Python:\n```python\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "original_lab_prompt", "source_file": "007_knn.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: KNN\nŹródło: 007_knn.py\n\nPolecenie z pliku:\n## Zadanie 5\n\nPorównaj przewidywania z rzeczywistymi etykietami.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: penguins_like.\nKolumny mogą wyglądać tak: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species.\nTarget: species.\n\nChecklist dla tematu:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\nmodel = KNeighborsClassifier(n_neighbors=5)\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n\nKod Python:\n```python\nmodel = KNeighborsClassifier(n_neighbors=5)\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "original_lab_prompt", "source_file": "007_knn.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: KNN\nŹródło: 007_knn.py\n\nPolecenie z pliku:\n## Zadanie 6\n\nSprawdź która wartość k daje najlepszy wynik.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: wine_like.\nKolumny mogą wyglądać tak: alcohol, malic_acid, ash, magnesium, flavanoids, class.\nTarget: class.\n\nChecklist dla tematu:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\ncomparison = pd.DataFrame({\n 'y_true': y_test.values,\n 'y_pred': predictions\n})\n\ncomparison.head(10)\n\nKod Python:\n```python\ncomparison = pd.DataFrame({\n 'y_true': y_test.values,\n 'y_pred': predictions\n})\n\ncomparison.head(10)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "original_lab_prompt", "source_file": "007_knn.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: KNN\nŹródło: 007_knn.py\n\nPolecenie z pliku:\n## Zadanie 7\n\nZwiększ zakres k do 30.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\n\nChecklist dla tematu:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\nbest_k = range(1, 20)[scores.index(max(scores))]\n\nbest_k\n\nKod Python:\n```python\nbest_k = range(1, 20)[scores.index(max(scores))]\n\nbest_k\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "original_lab_prompt", "source_file": "007_knn.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: KNN\nŹródło: 007_knn.py\n\nPolecenie z pliku:\n## Zadanie 8\n\nSpróbuj użyć innych dwóch cech.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: iris_like.\nKolumny mogą wyglądać tak: sepal_length, sepal_width, petal_length, petal_width, species.\nTarget: species.\n\nChecklist dla tematu:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\nscores_30 = []\n\nfor k in range(1, 31):\n model = KNeighborsClassifier(n_neighbors=k)\n model.fit(X_train, y_train)\n pred = model.predict(X_test)\n scores_30.append(accuracy_score(y_test, pred))\n\nplt.plot(range(1, 31), scores_30)\nplt.xlabel(\"k\")\nplt.ylabel(\"accuracy\")\nplt.show()\n\nKod Python:\n```python\nscores_30 = []\n\nfor k in range(1, 31):\n model = KNeighborsClassifier(n_neighbors=k)\n model.fit(X_train, y_train)\n pred = model.predict(X_test)\n scores_30.append(accuracy_score(y_test, pred))\n\nplt.plot(range(1, 31), scores_30)\nplt.xlabel(\"k\")\nplt.ylabel(\"accuracy\")\nplt.show()\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "original_lab_prompt", "source_file": "007_knn.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: KNN\nŹródło: 007_knn.py\n\nPolecenie z pliku:\n## Zadanie 9\n\nZmień k na 1 i zobacz jak zmieni się granica decyzyjna.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: penguins_like.\nKolumny mogą wyglądać tak: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species.\nTarget: species.\n\nChecklist dla tematu:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\nX_alt = df[['sepal_length', 'sepal_width']]\n\nsns.scatterplot(x=X_alt['sepal_length'], y=X_alt['sepal_width'], hue=y)\n\nKod Python:\n```python\nX_alt = df[['sepal_length', 'sepal_width']]\n\nsns.scatterplot(x=X_alt['sepal_length'], y=X_alt['sepal_width'], hue=y)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "original_lab_prompt", "source_file": "007_knn.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: KNN\nŹródło: 007_knn.py\n\nPolecenie z pliku:\n## Zadanie 10\n\nSprawdź metrykę `euclidean`.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: wine_like.\nKolumny mogą wyglądać tak: alcohol, malic_acid, ash, magnesium, flavanoids, class.\nTarget: class.\n\nChecklist dla tematu:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\nmodel = KNeighborsClassifier(n_neighbors=1)\nmodel.fit(X, y_encoded)\n\nZ = model.predict(np.c_[xx.ravel(), yy.ravel()])\nZ = Z.reshape(xx.shape)\n\nplt.contourf(xx, yy, Z, alpha=0.3)\nsns.scatterplot(x=X.iloc[:,0], y=X.iloc[:,1], hue=y)\nplt.show()\n\nKod Python:\n```python\nmodel = KNeighborsClassifier(n_neighbors=1)\nmodel.fit(X, y_encoded)\n\nZ = model.predict(np.c_[xx.ravel(), yy.ravel()])\nZ = Z.reshape(xx.shape)\n\nplt.contourf(xx, yy, Z, alpha=0.3)\nsns.scatterplot(x=X.iloc[:,0], y=X.iloc[:,1], hue=y)\nplt.show()\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "original_lab_prompt", "source_file": "007_knn.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: KNN\nŹródło: 007_knn.py\n\nPolecenie z pliku:\n## Zadanie 11\n\n1. Wczytaj dataset\n2. Podziel dane na train/test\n3. Naucz model KNN\n4. Sprawdź accuracy", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\n\nChecklist dla tematu:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\nmodel = KNeighborsClassifier(n_neighbors=5, metric='euclidean')\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n\nKod Python:\n```python\nmodel = KNeighborsClassifier(n_neighbors=5, metric='euclidean')\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "original_lab_prompt", "source_file": "007_knn.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: KNN\nŹródło: 007_knn.py\n\nPolecenie z pliku:\n## Zadanie końcowe 12\n\nPrzetestuj różne wartości:\n\n- k = 1\n- k = 5\n- k = 15\n\nPorównaj granice decyzyjne.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: iris_like.\nKolumny mogą wyglądać tak: sepal_length, sepal_width, petal_length, petal_width, species.\nTarget: species.\n\nChecklist dla tematu:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\nX = df[['petal_length', 'petal_width']]\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\nmodel = KNeighborsClassifier(n_neighbors=5)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n\nKod Python:\n```python\nX = df[['petal_length', 'petal_width']]\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\nmodel = KNeighborsClassifier(n_neighbors=5)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "original_lab_prompt", "source_file": "007_knn.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: drzewa decyzyjne\nŹródło: 008_drzewa_decyzyjne.py\n\nPolecenie z pliku:\n## Zadanie 1\n\n1. Wczytaj dataset.\n2. Sprawdź rozmiar datasetu (`shape`).\n3. Wyświetl nazwy kolumn.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: iris_like.\nKolumny mogą wyglądać tak: sepal_length, sepal_width, petal_length, petal_width, species.\nTarget: species.\n\nChecklist dla tematu:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\ndf.shape\n\ndf.columns\n\nKod Python:\n```python\ndf.shape\n\ndf.columns\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt", "source_file": "008_drzewa_decyzyjne.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: drzewa decyzyjne\nŹródło: 008_drzewa_decyzyjne.py\n\nPolecenie z pliku:\n## Zadanie 2\n\nSprawdź rozmiar X i y.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: penguins_like.\nKolumny mogą wyglądać tak: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species.\nTarget: species.\n\nChecklist dla tematu:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\nX.shape\n\ny.shape\n\nKod Python:\n```python\nX.shape\n\ny.shape\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt", "source_file": "008_drzewa_decyzyjne.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: drzewa decyzyjne\nŹródło: 008_drzewa_decyzyjne.py\n\nPolecenie z pliku:\n## Zadanie 3\n\nPodziel dane w proporcji 70/30.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: wine_like.\nKolumny mogą wyglądać tak: alcohol, malic_acid, ash, magnesium, flavanoids, class.\nTarget: class.\n\nChecklist dla tematu:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n\nX_train.shape, X_test.shape\n\nKod Python:\n```python\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n\nX_train.shape, X_test.shape\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt", "source_file": "008_drzewa_decyzyjne.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: drzewa decyzyjne\nŹródło: 008_drzewa_decyzyjne.py\n\nPolecenie z pliku:\n## Zadanie 4\n\nWytrenuj model i sprawdź accuracy.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\n\nChecklist dla tematu:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\nmodel = DecisionTreeClassifier(random_state=42)\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n\nKod Python:\n```python\nmodel = DecisionTreeClassifier(random_state=42)\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt", "source_file": "008_drzewa_decyzyjne.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: drzewa decyzyjne\nŹródło: 008_drzewa_decyzyjne.py\n\nPolecenie z pliku:\n## Zadanie 5\n\nPorównaj wynik z poprzednim modelem.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\n\nChecklist dla tematu:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\nmodel_score = model.score(X_test, y_test)\ngini_score = model_gini.score(X_test, y_test)\n\nmodel_score, gini_score\n\nKod Python:\n```python\nmodel_score = model.score(X_test, y_test)\ngini_score = model_gini.score(X_test, y_test)\n\nmodel_score, gini_score\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt", "source_file": "008_drzewa_decyzyjne.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: drzewa decyzyjne\nŹródło: 008_drzewa_decyzyjne.py\n\nPolecenie z pliku:\n## Zadanie 6\n\nPorównaj wyniki Gini i Entropy.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: iris_like.\nKolumny mogą wyglądać tak: sepal_length, sepal_width, petal_length, petal_width, species.\nTarget: species.\n\nChecklist dla tematu:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\ngini_score = model_gini.score(X_test, y_test)\nentropy_score = model_entropy.score(X_test, y_test)\n\ngini_score, entropy_score\n\nKod Python:\n```python\ngini_score = model_gini.score(X_test, y_test)\nentropy_score = model_entropy.score(X_test, y_test)\n\ngini_score, entropy_score\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt", "source_file": "008_drzewa_decyzyjne.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: drzewa decyzyjne\nŹródło: 008_drzewa_decyzyjne.py\n\nPolecenie z pliku:\n## Zadanie 7\n\nNarysuj drzewo dla modelu `model_entropy`.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: penguins_like.\nKolumny mogą wyglądać tak: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species.\nTarget: species.\n\nChecklist dla tematu:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\nplt.figure(figsize=(12, 8))\n\nplot_tree(\n model_entropy,\n feature_names=X.columns,\n class_names=model_entropy.classes_,\n filled=True\n)\n\nplt.show()\n\nKod Python:\n```python\nplt.figure(figsize=(12, 8))\n\nplot_tree(\n model_entropy,\n feature_names=X.columns,\n class_names=model_entropy.classes_,\n filled=True\n)\n\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt", "source_file": "008_drzewa_decyzyjne.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: drzewa decyzyjne\nŹródło: 008_drzewa_decyzyjne.py\n\nPolecenie z pliku:\n## Zadanie 8\n\nSprawdź wpływ `max_depth = 2` oraz `max_depth = 5`.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: wine_like.\nKolumny mogą wyglądać tak: alcohol, malic_acid, ash, magnesium, flavanoids, class.\nTarget: class.\n\nChecklist dla tematu:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\nmodel_depth_2 = DecisionTreeClassifier(max_depth=2, random_state=42)\nmodel_depth_5 = DecisionTreeClassifier(max_depth=5, random_state=42)\n\nmodel_depth_2.fit(X_train, y_train)\nmodel_depth_5.fit(X_train, y_train)\n\nmodel_depth_2.score(X_test, y_test), model_depth_5.score(X_test, y_test)\n\nKod Python:\n```python\nmodel_depth_2 = DecisionTreeClassifier(max_depth=2, random_state=42)\nmodel_depth_5 = DecisionTreeClassifier(max_depth=5, random_state=42)\n\nmodel_depth_2.fit(X_train, y_train)\nmodel_depth_5.fit(X_train, y_train)\n\nmodel_depth_2.score(X_test, y_test), model_depth_5.score(X_test, y_test)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt", "source_file": "008_drzewa_decyzyjne.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: drzewa decyzyjne\nŹródło: 008_drzewa_decyzyjne.py\n\nPolecenie z pliku:\n## Zadanie 9\n\nNarysuj wykres ważności cech.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\n\nChecklist dla tematu:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\nimportance.sort_values().plot(kind='barh')\n\nplt.xlabel(\"importance\")\nplt.title(\"Feature importance\")\nplt.show()\n\nKod Python:\n```python\nimportance.sort_values().plot(kind='barh')\n\nplt.xlabel(\"importance\")\nplt.title(\"Feature importance\")\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt", "source_file": "008_drzewa_decyzyjne.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: drzewa decyzyjne\nŹródło: 008_drzewa_decyzyjne.py\n\nPolecenie z pliku:\n## Zadanie 10\n\nPorównaj wyniki dla różnych głębokości drzewa.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\n\nChecklist dla tematu:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\ndepth_scores = []\n\nfor depth in [1, 2, 3, 4, 5, None]:\n model_depth = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model_depth.fit(X_train, y_train)\n depth_scores.append({\n 'max_depth': depth,\n 'accuracy': model_depth.score(X_test, y_test)\n })\n\npd.DataFrame(depth_scores)\n\nKod Python:\n```python\ndepth_scores = []\n\nfor depth in [1, 2, 3, 4, 5, None]:\n model_depth = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model_depth.fit(X_train, y_train)\n depth_scores.append({\n 'max_depth': depth,\n 'accuracy': model_depth.score(X_test, y_test)\n })\n\npd.DataFrame(depth_scores)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt", "source_file": "008_drzewa_decyzyjne.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: drzewa decyzyjne\nŹródło: 008_drzewa_decyzyjne.py\n\nPolecenie z pliku:\n## Zadanie 11\n\n1. Wczytaj dataset\n2. Podziel dane na train/test\n3. Naucz model drzewa\n4. Sprawdź accuracy", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: iris_like.\nKolumny mogą wyglądać tak: sepal_length, sepal_width, petal_length, petal_width, species.\nTarget: species.\n\nChecklist dla tematu:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.2,\n random_state=42\n)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n\nKod Python:\n```python\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.2,\n random_state=42\n)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt", "source_file": "008_drzewa_decyzyjne.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: drzewa decyzyjne\nŹródło: 008_drzewa_decyzyjne.py\n\nPolecenie z pliku:\n## Zadanie końcowe 12\n\nPorównaj trzy modele:\n\n- drzewo bez ograniczeń\n- drzewo max_depth = 3\n- drzewo max_depth = 5\n\nKtóry model działa najlepiej?", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: penguins_like.\nKolumny mogą wyglądać tak: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species.\nTarget: species.\n\nChecklist dla tematu:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\nmodels = {\n 'bez ograniczen': DecisionTreeClassifier(max_depth=None, random_state=42),\n 'max_depth = 3': DecisionTreeClassifier(max_depth=3, random_state=42),\n 'max_depth = 5': DecisionTreeClassifier(max_depth=5, random_state=42)\n}\n\nresults = []\n\nfor name, tree_model in models.items():\n tree_model.fit(X_train, y_train)\n results.append({\n 'model': name,\n 'accuracy': tree_model.score(X_test, y_test)\n })\n\nresults_df = pd.DataFrame(results).sort_values('accuracy', ascending=False)\nresults_df\n\nKod Python:\n```python\nmodels = {\n 'bez ograniczen': DecisionTreeClassifier(max_depth=None, random_state=42),\n 'max_depth = 3': DecisionTreeClassifier(max_depth=3, random_state=42),\n 'max_depth = 5': DecisionTreeClassifier(max_depth=5, random_state=42)\n}\n\nresults = []\n\nfor name, tree_model in models.items():\n tree_model.fit(X_train, y_train)\n results.append({\n 'model': name,\n 'accuracy': tree_model.score(X_test, y_test)\n })\n\nresults_df = pd.DataFrame(results).sort_values('accuracy', ascending=False)\nresults_df\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt", "source_file": "008_drzewa_decyzyjne.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: regresja liniowa\nŹródło: 009_regresja_liniowa.py\n\nPolecenie z pliku:\n## Zadanie 1\nDodaj więcej punktów danych i sprawdź jak zmienia się linia regresji.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\n\nChecklist dla tematu:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\nX_more = np.array([[1], [2], [3], [4], [5], [6], [7], [8]])\ny_more = np.array([2, 4, 5, 4, 5, 7, 8, 9])\n\nmodel_more = LinearRegression()\nmodel_more.fit(X_more, y_more)\n\ny_more_pred = model_more.predict(X_more)\n\nplt.scatter(X_more, y_more)\nplt.plot(X_more, y_more_pred, color='red')\nplt.title(\"Regresja liniowa - wiecej punktow\")\nplt.show()\n\nKod Python:\n```python\nX_more = np.array([[1], [2], [3], [4], [5], [6], [7], [8]])\ny_more = np.array([2, 4, 5, 4, 5, 7, 8, 9])\n\nmodel_more = LinearRegression()\nmodel_more.fit(X_more, y_more)\n\ny_more_pred = model_more.predict(X_more)\n\nplt.scatter(X_more, y_more)\nplt.plot(X_more, y_more_pred, color='red')\nplt.title(\"Regresja liniowa - wiecej punktow\")\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "original_lab_prompt", "source_file": "009_regresja_liniowa.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: regresja liniowa\nŹródło: 009_regresja_liniowa.py\n\nPolecenie z pliku:\n## Zadanie 2\nZinterpretuj współczynniki dla własnych danych.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\n\nChecklist dla tematu:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\nWspolczynnik `coef_` pokazuje, o ile srednio zmienia sie `y`, gdy `X` rosnie o 1. `intercept_` to przewidywana wartosc `y`, gdy `X = 0`.\n\n\nprint(\"Wspolczynnik:\", model_more.coef_)\nprint(\"Intercept:\", model_more.intercept_)\n\nKod Python:\n```python\nprint(\"Wspolczynnik:\", model_more.coef_)\nprint(\"Intercept:\", model_more.intercept_)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "original_lab_prompt", "source_file": "009_regresja_liniowa.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: regresja liniowa\nŹródło: 009_regresja_liniowa.py\n\nPolecenie z pliku:\n## Zadanie 3\nPrzewidź wartości dla X = 10, 20.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\n\nChecklist dla tematu:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\nnew_data = np.array([[10], [20]])\npredictions = model_more.predict(new_data)\n\npredictions\n\nKod Python:\n```python\nnew_data = np.array([[10], [20]])\npredictions = model_more.predict(new_data)\n\npredictions\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "original_lab_prompt", "source_file": "009_regresja_liniowa.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: regresja liniowa\nŹródło: 009_regresja_liniowa.py\n\nPolecenie z pliku:\n## Zadanie 4\nPolicz MSE dla nowych danych.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\n\nChecklist dla tematu:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\ny_more_pred = model_more.predict(X_more)\nmse_more = mean_squared_error(y_more, y_more_pred)\n\nmse_more\n\nKod Python:\n```python\ny_more_pred = model_more.predict(X_more)\nmse_more = mean_squared_error(y_more, y_more_pred)\n\nmse_more\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "original_lab_prompt", "source_file": "009_regresja_liniowa.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: regresja liniowa\nŹródło: 009_regresja_liniowa.py\n\nPolecenie z pliku:\n## Zadanie 5\nPorównaj MSE i RMSE – co mówi więcej?", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\n\nChecklist dla tematu:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\nRMSE jest czesto latwiejszy do interpretacji, bo ma taka sama jednostke jak zmienna `y`. MSE mocniej karze duze bledy, bo podnosi roznice do kwadratu.\n\n\nrmse_more = np.sqrt(mse_more)\n\nmse_more, rmse_more\n\nKod Python:\n```python\nrmse_more = np.sqrt(mse_more)\n\nmse_more, rmse_more\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "original_lab_prompt", "source_file": "009_regresja_liniowa.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: regresja liniowa\nŹródło: 009_regresja_liniowa.py\n\nPolecenie z pliku:\n## Zadanie 6\nSprawdź R² dla innych danych.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\n\nChecklist dla tematu:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\nr2_more = r2_score(y_more, y_more_pred)\n\nr2_more\n\nKod Python:\n```python\nr2_more = r2_score(y_more, y_more_pred)\n\nr2_more\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "original_lab_prompt", "source_file": "009_regresja_liniowa.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: regresja liniowa\nŹródło: 009_regresja_liniowa.py\n\nPolecenie z pliku:\n## Zadanie 7\nSprawdź współczynniki dla każdej cechy.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\n\nChecklist dla tematu:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\nimport pandas as pd\n\ncoef_df = pd.DataFrame({\n 'feature': data.feature_names,\n 'coef': model.coef_\n})\n\ncoef_df\n\nKod Python:\n```python\nimport pandas as pd\n\ncoef_df = pd.DataFrame({\n 'feature': data.feature_names,\n 'coef': model.coef_\n})\n\ncoef_df\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "original_lab_prompt", "source_file": "009_regresja_liniowa.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: regresja liniowa\nŹródło: 009_regresja_liniowa.py\n\nPolecenie z pliku:\n## Zadanie 8\nZmodyfikuj test_size i sprawdź wpływ na wynik.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\n\nChecklist dla tematu:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\nfor test_size in [0.1, 0.2, 0.3, 0.4]:\n X_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=test_size,\n random_state=42\n )\n\n model = LinearRegression()\n model.fit(X_train, y_train)\n y_pred = model.predict(X_test)\n\n print(test_size, r2_score(y_test, y_pred))\n\nKod Python:\n```python\nfor test_size in [0.1, 0.2, 0.3, 0.4]:\n X_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=test_size,\n random_state=42\n )\n\n model = LinearRegression()\n model.fit(X_train, y_train)\n y_pred = model.predict(X_test)\n\n print(test_size, r2_score(y_test, y_pred))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "original_lab_prompt", "source_file": "009_regresja_liniowa.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: regresja liniowa\nŹródło: 009_regresja_liniowa.py\n\nPolecenie z pliku:\n## Zadanie 9\nZinterpretuj wykres reszt.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\n\nChecklist dla tematu:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\nJesli punkty na wykresie reszt sa losowo rozrzucone wokol linii 0, model opisuje dane dosc dobrze. Widoczny wzor lub trend w resztach sugeruje, ze zaleznosc nie jest w pelni liniowa albo brakuje waznych cech.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "original_lab_prompt", "source_file": "009_regresja_liniowa.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: regresja liniowa\nŹródło: 009_regresja_liniowa.py\n\nPolecenie z pliku:\n## Zadanie 10\nZbuduj pełny pipeline:\n- podział danych\n- trening\n- ocena", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\n\nChecklist dla tematu:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\nfrom sklearn.datasets import load_diabetes\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\ndata = load_diabetes()\nX = data.data\ny = data.target\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.2,\n random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\n\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n\nmse, rmse, r2\n\nKod Python:\n```python\nfrom sklearn.datasets import load_diabetes\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\ndata = load_diabetes()\nX = data.data\ny = data.target\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.2,\n random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\n\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n\nmse, rmse, r2\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "original_lab_prompt", "source_file": "009_regresja_liniowa.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: regresja logistyczna\nŹródło: 010_regresja_logistyczna.py\n\nPolecenie z pliku:\n## Zadanie 1\nSprawdź accuracy dla różnych podziałów danych (zmień random_state).\n\nhttps://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\n\nChecklist dla tematu:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\nfor state in [0, 1, 42, 100]:\n X_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=state\n )\n\n model = LogisticRegression(max_iter=10000)\n model.fit(X_train, y_train)\n y_pred = model.predict(X_test)\n\n print(state, accuracy_score(y_test, y_pred))\n\nKod Python:\n```python\nfor state in [0, 1, 42, 100]:\n X_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=state\n )\n\n model = LogisticRegression(max_iter=10000)\n model.fit(X_train, y_train)\n y_pred = model.predict(X_test)\n\n print(state, accuracy_score(y_test, y_pred))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "original_lab_prompt", "source_file": "010_regresja_logistyczna.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: regresja logistyczna\nŹródło: 010_regresja_logistyczna.py\n\nPolecenie z pliku:\n## Zadanie 2\nNarysuj sigmoid dla zakresu [-5,5] i porównaj wykres.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\n\nChecklist dla tematu:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\nz = np.linspace(-5, 5, 100)\ns = sigmoid(z)\n\nplt.plot(z, s)\nplt.title(\"Funkcja sigmoidalna [-5, 5]\")\nplt.xlabel(\"z\")\nplt.ylabel(\"sigmoid(z)\")\nplt.show()\n\nKod Python:\n```python\nz = np.linspace(-5, 5, 100)\ns = sigmoid(z)\n\nplt.plot(z, s)\nplt.title(\"Funkcja sigmoidalna [-5, 5]\")\nplt.xlabel(\"z\")\nplt.ylabel(\"sigmoid(z)\")\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "original_lab_prompt", "source_file": "010_regresja_logistyczna.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: regresja logistyczna\nŹródło: 010_regresja_logistyczna.py\n\nPolecenie z pliku:\n## Zadanie 3\nSpróbuj narysować granicę decyzyjną (podpowiedź: meshgrid).", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\n\nChecklist dla tematu:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\nx_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1\ny_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1\n\nxx, yy = np.meshgrid(\n np.linspace(x_min, x_max, 200),\n np.linspace(y_min, y_max, 200)\n)\n\nZ = model.predict(np.c_[xx.ravel(), yy.ravel()])\nZ = Z.reshape(xx.shape)\n\nplt.contourf(xx, yy, Z, alpha=0.3)\nplt.scatter(X[:, 0], X[:, 1], c=y, edgecolor='k')\nplt.title(\"Granica decyzyjna\")\nplt.show()\n\nKod Python:\n```python\nx_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1\ny_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1\n\nxx, yy = np.meshgrid(\n np.linspace(x_min, x_max, 200),\n np.linspace(y_min, y_max, 200)\n)\n\nZ = model.predict(np.c_[xx.ravel(), yy.ravel()])\nZ = Z.reshape(xx.shape)\n\nplt.contourf(xx, yy, Z, alpha=0.3)\nplt.scatter(X[:, 0], X[:, 1], c=y, edgecolor='k')\nplt.title(\"Granica decyzyjna\")\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "original_lab_prompt", "source_file": "010_regresja_logistyczna.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: regresja logistyczna\nŹródło: 010_regresja_logistyczna.py\n\nPolecenie z pliku:\n## Zadanie 4\nPorównaj log_loss dla różnych modeli.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\n\nChecklist dla tematu:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\nmodel_default = LogisticRegression()\nmodel_strong_reg = LogisticRegression(C=0.1)\n\nmodel_default.fit(X, y)\nmodel_strong_reg.fit(X, y)\n\nloss_default = log_loss(y, model_default.predict_proba(X))\nloss_strong_reg = log_loss(y, model_strong_reg.predict_proba(X))\n\nloss_default, loss_strong_reg\n\nKod Python:\n```python\nmodel_default = LogisticRegression()\nmodel_strong_reg = LogisticRegression(C=0.1)\n\nmodel_default.fit(X, y)\nmodel_strong_reg.fit(X, y)\n\nloss_default = log_loss(y, model_default.predict_proba(X))\nloss_strong_reg = log_loss(y, model_strong_reg.predict_proba(X))\n\nloss_default, loss_strong_reg\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "original_lab_prompt", "source_file": "010_regresja_logistyczna.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: regresja logistyczna\nŹródło: 010_regresja_logistyczna.py\n\nPolecenie z pliku:\n## Zadanie 5\nPorównaj accuracy dla L1 i L2.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\n\nChecklist dla tematu:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\ny_pred_l1 = model_l1.predict(X_test)\ny_pred_l2 = model_l2.predict(X_test)\n\naccuracy_score(y_test, y_pred_l1), accuracy_score(y_test, y_pred_l2)\n\nKod Python:\n```python\ny_pred_l1 = model_l1.predict(X_test)\ny_pred_l2 = model_l2.predict(X_test)\n\naccuracy_score(y_test, y_pred_l1), accuracy_score(y_test, y_pred_l2)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "original_lab_prompt", "source_file": "010_regresja_logistyczna.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: regresja logistyczna\nŹródło: 010_regresja_logistyczna.py\n\nPolecenie z pliku:\n## Zadanie 6\nPorównaj model przed i po skalowaniu.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\n\nChecklist dla tematu:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\nmodel_raw = LogisticRegression(max_iter=10000)\nmodel_raw.fit(X, y)\nraw_score = model_raw.score(X, y)\n\nscaler = StandardScaler()\nX_scaled = scaler.fit_transform(X)\n\nmodel_scaled = LogisticRegression(max_iter=10000)\nmodel_scaled.fit(X_scaled, y)\nscaled_score = model_scaled.score(X_scaled, y)\n\nraw_score, scaled_score\n\nKod Python:\n```python\nmodel_raw = LogisticRegression(max_iter=10000)\nmodel_raw.fit(X, y)\nraw_score = model_raw.score(X, y)\n\nscaler = StandardScaler()\nX_scaled = scaler.fit_transform(X)\n\nmodel_scaled = LogisticRegression(max_iter=10000)\nmodel_scaled.fit(X_scaled, y)\nscaled_score = model_scaled.score(X_scaled, y)\n\nraw_score, scaled_score\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "original_lab_prompt", "source_file": "010_regresja_logistyczna.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: regresja logistyczna\nŹródło: 010_regresja_logistyczna.py\n\nPolecenie z pliku:\n## Zadanie 7\nZinterpretuj wyniki macierzy pomyłek.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\n\nChecklist dla tematu:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\nW macierzy pomylek wiersze oznaczaja klasy rzeczywiste, a kolumny klasy przewidziane. Wartosci na przekatnej to poprawne predykcje, a pozostale pola to bledy klasyfikacji.\n\n\ncm\n\nKod Python:\n```python\ncm\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "original_lab_prompt", "source_file": "010_regresja_logistyczna.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: regresja logistyczna\nŹródło: 010_regresja_logistyczna.py\n\nPolecenie z pliku:\n## Zadanie 8\nSprawdź jak precision i recall zmieniają się przy zmianie progu.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\n\nChecklist dla tematu:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\nthreshold_model = LogisticRegression(max_iter=10000)\nthreshold_model.fit(X_train, y_train)\ny_prob = threshold_model.predict_proba(X_test)[:, 1]\n\nfor threshold in [0.3, 0.5, 0.7]:\n y_pred_threshold = (y_prob >= threshold).astype(int)\n print(\n threshold,\n precision_score(y_test, y_pred_threshold),\n recall_score(y_test, y_pred_threshold)\n )\n\nKod Python:\n```python\nthreshold_model = LogisticRegression(max_iter=10000)\nthreshold_model.fit(X_train, y_train)\ny_prob = threshold_model.predict_proba(X_test)[:, 1]\n\nfor threshold in [0.3, 0.5, 0.7]:\n y_pred_threshold = (y_prob >= threshold).astype(int)\n print(\n threshold,\n precision_score(y_test, y_pred_threshold),\n recall_score(y_test, y_pred_threshold)\n )\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "original_lab_prompt", "source_file": "010_regresja_logistyczna.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: regresja logistyczna\nŹródło: 010_regresja_logistyczna.py\n\nPolecenie z pliku:\n## Zadanie 9\nPorównaj ROC dla różnych modeli.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\n\nChecklist dla tematu:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\nmodels = {\n 'L2 C=1.0': LogisticRegression(max_iter=10000, C=1.0),\n 'L2 C=0.1': LogisticRegression(max_iter=10000, C=0.1),\n 'L1': LogisticRegression(max_iter=10000, penalty='l1', solver='liblinear')\n}\n\nfor name, clf in models.items():\n clf.fit(X_train, y_train)\n y_prob = clf.predict_proba(X_test)[:, 1]\n fpr, tpr, _ = roc_curve(y_test, y_prob)\n roc_auc = auc(fpr, tpr)\n plt.plot(fpr, tpr, label=f\"{name} AUC={roc_auc:.2f}\")\n\nplt.xlabel(\"FPR\")\nplt.ylabel(\"TPR\")\nplt.legend()\nplt.show()\n\nKod Python:\n```python\nmodels = {\n 'L2 C=1.0': LogisticRegression(max_iter=10000, C=1.0),\n 'L2 C=0.1': LogisticRegression(max_iter=10000, C=0.1),\n 'L1': LogisticRegression(max_iter=10000, penalty='l1', solver='liblinear')\n}\n\nfor name, clf in models.items():\n clf.fit(X_train, y_train)\n y_prob = clf.predict_proba(X_test)[:, 1]\n fpr, tpr, _ = roc_curve(y_test, y_prob)\n roc_auc = auc(fpr, tpr)\n plt.plot(fpr, tpr, label=f\"{name} AUC={roc_auc:.2f}\")\n\nplt.xlabel(\"FPR\")\nplt.ylabel(\"TPR\")\nplt.legend()\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "original_lab_prompt", "source_file": "010_regresja_logistyczna.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: regresja logistyczna\nŹródło: 010_regresja_logistyczna.py\n\nPolecenie z pliku:\n## Zadanie 10\nDodaj GridSearchCV do pipeline.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\n\nChecklist dla tematu:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\nfrom sklearn.model_selection import GridSearchCV\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\n\npipeline = Pipeline([\n ('scaler', StandardScaler()),\n ('model', LogisticRegression(max_iter=10000))\n])\n\nparam_grid = {\n 'model__C': [0.01, 0.1, 1, 10],\n 'model__penalty': ['l2']\n}\n\ngrid = GridSearchCV(pipeline, param_grid, cv=5, scoring='accuracy')\ngrid.fit(X_train, y_train)\n\ngrid.best_params_, grid.best_score_\n\nKod Python:\n```python\nfrom sklearn.model_selection import GridSearchCV\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\n\npipeline = Pipeline([\n ('scaler', StandardScaler()),\n ('model', LogisticRegression(max_iter=10000))\n])\n\nparam_grid = {\n 'model__C': [0.01, 0.1, 1, 10],\n 'model__penalty': ['l2']\n}\n\ngrid = GridSearchCV(pipeline, param_grid, cv=5, scoring='accuracy')\ngrid.fit(X_train, y_train)\n\ngrid.best_params_, grid.best_score_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "original_lab_prompt", "source_file": "010_regresja_logistyczna.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: klasteryzacja\nŹródło: 011_klastry.py\n\nPolecenie z pliku:\n## Zadanie 1\nZmień liczbę klastrów na 4 i 5. Jak zmienia się wynik?", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\n\nChecklist dla tematu:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\nfor k in [4, 5]:\n kmeans = KMeans(n_clusters=k, random_state=42)\n labels = kmeans.fit_predict(X)\n\n plt.scatter(X[:, 0], X[:, 1], c=labels)\n plt.title(f\"K-means, K={k}\")\n plt.show()\n\nKod Python:\n```python\nfor k in [4, 5]:\n kmeans = KMeans(n_clusters=k, random_state=42)\n labels = kmeans.fit_predict(X)\n\n plt.scatter(X[:, 0], X[:, 1], c=labels)\n plt.title(f\"K-means, K={k}\")\n plt.show()\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "original_lab_prompt", "source_file": "011_klastry.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: klasteryzacja\nŹródło: 011_klastry.py\n\nPolecenie z pliku:\n## Zadanie 2\nSprawdź centroidy dla różnych wartości K.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\n\nChecklist dla tematu:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\nfor k in [2, 3, 4, 5]:\n km = KMeans(n_clusters=k, random_state=42)\n km.fit(X)\n print(f\"K={k}\")\n print(km.cluster_centers_)\n\nKod Python:\n```python\nfor k in [2, 3, 4, 5]:\n km = KMeans(n_clusters=k, random_state=42)\n km.fit(X)\n print(f\"K={k}\")\n print(km.cluster_centers_)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "original_lab_prompt", "source_file": "011_klastry.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: klasteryzacja\nŹródło: 011_klastry.py\n\nPolecenie z pliku:\n## Zadanie 3\nPorównaj wyniki dla random i k-means++.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\n\nChecklist dla tematu:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\nprint(\"Random inertia:\", kmeans_random.inertia_)\nprint(\"K-means++ inertia:\", kmeans_pp.inertia_)\n\nplt.scatter(X[:, 0], X[:, 1], c=kmeans_random.labels_)\nplt.title(\"init=random\")\nplt.show()\n\nplt.scatter(X[:, 0], X[:, 1], c=kmeans_pp.labels_)\nplt.title(\"init=k-means++\")\nplt.show()\n\nKod Python:\n```python\nprint(\"Random inertia:\", kmeans_random.inertia_)\nprint(\"K-means++ inertia:\", kmeans_pp.inertia_)\n\nplt.scatter(X[:, 0], X[:, 1], c=kmeans_random.labels_)\nplt.title(\"init=random\")\nplt.show()\n\nplt.scatter(X[:, 0], X[:, 1], c=kmeans_pp.labels_)\nplt.title(\"init=k-means++\")\nplt.show()\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "original_lab_prompt", "source_file": "011_klastry.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: klasteryzacja\nŹródło: 011_klastry.py\n\nPolecenie z pliku:\n## Zadanie 4\nSprawdź inertia dla różnych K.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\n\nChecklist dla tematu:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\nfor k in range(1, 8):\n km = KMeans(n_clusters=k, random_state=42)\n km.fit(X)\n print(k, km.inertia_)\n\nKod Python:\n```python\nfor k in range(1, 8):\n km = KMeans(n_clusters=k, random_state=42)\n km.fit(X)\n print(k, km.inertia_)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "original_lab_prompt", "source_file": "011_klastry.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: klasteryzacja\nŹródło: 011_klastry.py\n\nPolecenie z pliku:\n## Zadanie 5\nZnajdź optymalne K na podstawie wykresu.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\n\nChecklist dla tematu:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\nOptymalne K wybieramy w miejscu, gdzie wykres inertia zaczyna spadac znacznie wolniej. Dla danych z wyraznymi grupami jest to zwykle punkt \"lokcia\".\n\n\nbest_k = 4\nbest_k\n\nKod Python:\n```python\nbest_k = 4\nbest_k\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "original_lab_prompt", "source_file": "011_klastry.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: klasteryzacja\nŹródło: 011_klastry.py\n\nPolecenie z pliku:\n## Zadanie 6\nZmień liczbę centrów i obserwuj dane.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\n\nChecklist dla tematu:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\nX_5, y_5 = make_blobs(n_samples=300, centers=5, random_state=42)\n\nplt.scatter(X_5[:, 0], X_5[:, 1], c=y_5)\nplt.title(\"Dane syntetyczne - 5 centrow\")\nplt.show()\n\nKod Python:\n```python\nX_5, y_5 = make_blobs(n_samples=300, centers=5, random_state=42)\n\nplt.scatter(X_5[:, 0], X_5[:, 1], c=y_5)\nplt.title(\"Dane syntetyczne - 5 centrow\")\nplt.show()\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "original_lab_prompt", "source_file": "011_klastry.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: klasteryzacja\nŹródło: 011_klastry.py\n\nPolecenie z pliku:\n## Zadanie 7\nDodaj własne oznaczenia centroidów.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\n\nChecklist dla tematu:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\nplt.scatter(X[:, 0], X[:, 1], c=labels)\nplt.scatter(\n kmeans.cluster_centers_[:, 0],\n kmeans.cluster_centers_[:, 1],\n color='red',\n marker='X',\n s=250,\n label='centroidy'\n)\nplt.legend()\nplt.title(\"Klastry z oznaczonymi centroidami\")\nplt.show()\n\nKod Python:\n```python\nplt.scatter(X[:, 0], X[:, 1], c=labels)\nplt.scatter(\n kmeans.cluster_centers_[:, 0],\n kmeans.cluster_centers_[:, 1],\n color='red',\n marker='X',\n s=250,\n label='centroidy'\n)\nplt.legend()\nplt.title(\"Klastry z oznaczonymi centroidami\")\nplt.show()\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "original_lab_prompt", "source_file": "011_klastry.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: klasteryzacja\nŹródło: 011_klastry.py\n\nPolecenie z pliku:\n## Zadanie 8\nPorównaj wyniki przed i po skalowaniu.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\n\nChecklist dla tematu:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\nkmeans_raw = KMeans(n_clusters=4, random_state=42)\nlabels_raw = kmeans_raw.fit_predict(X)\n\nkmeans_scaled = KMeans(n_clusters=4, random_state=42)\nlabels_scaled = kmeans_scaled.fit_predict(X_scaled)\n\nplt.scatter(X[:, 0], X[:, 1], c=labels_raw)\nplt.title(\"Przed skalowaniem\")\nplt.show()\n\nplt.scatter(X[:, 0], X[:, 1], c=labels_scaled)\nplt.title(\"Po skalowaniu\")\nplt.show()\n\nKod Python:\n```python\nkmeans_raw = KMeans(n_clusters=4, random_state=42)\nlabels_raw = kmeans_raw.fit_predict(X)\n\nkmeans_scaled = KMeans(n_clusters=4, random_state=42)\nlabels_scaled = kmeans_scaled.fit_predict(X_scaled)\n\nplt.scatter(X[:, 0], X[:, 1], c=labels_raw)\nplt.title(\"Przed skalowaniem\")\nplt.show()\n\nplt.scatter(X[:, 0], X[:, 1], c=labels_scaled)\nplt.title(\"Po skalowaniu\")\nplt.show()\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "original_lab_prompt", "source_file": "011_klastry.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: klasteryzacja\nŹródło: 011_klastry.py\n\nPolecenie z pliku:\n## Zadanie 9\nZastosuj K-means do własnych danych.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\n\nChecklist dla tematu:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\ncustomer_data = np.array([\n [25, 3000], [30, 4000], [45, 8000], [50, 9000],\n [23, 2800], [42, 7500], [35, 5000], [55, 10000]\n])\n\ncustomer_scaled = StandardScaler().fit_transform(customer_data)\ncustomer_kmeans = KMeans(n_clusters=2, random_state=42)\ncustomer_labels = customer_kmeans.fit_predict(customer_scaled)\n\nplt.scatter(customer_data[:, 0], customer_data[:, 1], c=customer_labels)\nplt.xlabel(\"wiek\")\nplt.ylabel(\"dochod\")\nplt.title(\"Segmentacja klientow\")\nplt.show()\n\nKod Python:\n```python\ncustomer_data = np.array([\n [25, 3000], [30, 4000], [45, 8000], [50, 9000],\n [23, 2800], [42, 7500], [35, 5000], [55, 10000]\n])\n\ncustomer_scaled = StandardScaler().fit_transform(customer_data)\ncustomer_kmeans = KMeans(n_clusters=2, random_state=42)\ncustomer_labels = customer_kmeans.fit_predict(customer_scaled)\n\nplt.scatter(customer_data[:, 0], customer_data[:, 1], c=customer_labels)\nplt.xlabel(\"wiek\")\nplt.ylabel(\"dochod\")\nplt.title(\"Segmentacja klientow\")\nplt.show()\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "original_lab_prompt", "source_file": "011_klastry.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: klasteryzacja\nŹródło: 011_klastry.py\n\nPolecenie z pliku:\n## Zadanie 10\nZbuduj pipeline:\n- skalowanie\n- K-means\n- wybór K", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\n\nChecklist dla tematu:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia_values = []\nK_range = range(1, 10)\n\nfor k in K_range:\n pipeline = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n pipeline.fit(X)\n inertia_values.append(pipeline.named_steps['kmeans'].inertia_)\n\nplt.plot(K_range, inertia_values, marker='o')\nplt.xlabel(\"K\")\nplt.ylabel(\"Inertia\")\nplt.title(\"Wybor K w pipeline\")\nplt.show()\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia_values = []\nK_range = range(1, 10)\n\nfor k in K_range:\n pipeline = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n pipeline.fit(X)\n inertia_values.append(pipeline.named_steps['kmeans'].inertia_)\n\nplt.plot(K_range, inertia_values, marker='o')\nplt.xlabel(\"K\")\nplt.ylabel(\"Inertia\")\nplt.title(\"Wybor K w pipeline\")\nplt.show()\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "original_lab_prompt", "source_file": "011_klastry.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: PCA\nŹródło: 012_pca.py\n\nPolecenie z pliku:\n## Zadanie 1\nSprawdź liczbę próbek i cech w zbiorze.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: wine_like.\nKolumny mogą wyglądać tak: alcohol, malic_acid, ash, magnesium, flavanoids, class.\nTarget: class.\n\nChecklist dla tematu:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\nX.shape\n\nKod Python:\n```python\nX.shape\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "original_lab_prompt", "source_file": "012_pca.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: PCA\nŹródło: 012_pca.py\n\nPolecenie z pliku:\n## Zadanie 2\nZredukuj dane do 3 wymiarów.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: wine_like.\nKolumny mogą wyglądać tak: alcohol, malic_acid, ash, magnesium, flavanoids, class.\nTarget: class.\n\nChecklist dla tematu:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\npca_3 = PCA(n_components=3)\nX_pca_3 = pca_3.fit_transform(X)\n\nX_pca_3.shape\n\nKod Python:\n```python\npca_3 = PCA(n_components=3)\nX_pca_3 = pca_3.fit_transform(X)\n\nX_pca_3.shape\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "original_lab_prompt", "source_file": "012_pca.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: PCA\nŹródło: 012_pca.py\n\nPolecenie z pliku:\n## Zadanie 3\nPorównaj PCA przed i po skalowaniu.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: wine_like.\nKolumny mogą wyglądać tak: alcohol, malic_acid, ash, magnesium, flavanoids, class.\nTarget: class.\n\nChecklist dla tematu:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\npca_raw = PCA(n_components=2)\nX_pca_raw = pca_raw.fit_transform(X)\n\npca_scaled = PCA(n_components=2)\nX_pca_scaled = pca_scaled.fit_transform(X_scaled)\n\npca_raw.explained_variance_ratio_, pca_scaled.explained_variance_ratio_\n\nKod Python:\n```python\npca_raw = PCA(n_components=2)\nX_pca_raw = pca_raw.fit_transform(X)\n\npca_scaled = PCA(n_components=2)\nX_pca_scaled = pca_scaled.fit_transform(X_scaled)\n\npca_raw.explained_variance_ratio_, pca_scaled.explained_variance_ratio_\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "original_lab_prompt", "source_file": "012_pca.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: PCA\nŹródło: 012_pca.py\n\nPolecenie z pliku:\n## Zadanie 4\nIle wariancji wyjaśniają pierwsze 2 składowe?", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: wine_like.\nKolumny mogą wyglądać tak: alcohol, malic_acid, ash, magnesium, flavanoids, class.\nTarget: class.\n\nChecklist dla tematu:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\npca.explained_variance_ratio_.sum()\n\nKod Python:\n```python\npca.explained_variance_ratio_.sum()\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "original_lab_prompt", "source_file": "012_pca.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: PCA\nŹródło: 012_pca.py\n\nPolecenie z pliku:\n## Zadanie 5\nZnajdź minimalną liczbę komponentów dla 95% wariancji.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: wine_like.\nKolumny mogą wyglądać tak: alcohol, malic_acid, ash, magnesium, flavanoids, class.\nTarget: class.\n\nChecklist dla tematu:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\nmin_components_95 = np.argmax(cum_var >= 0.95) + 1\n\nmin_components_95\n\nKod Python:\n```python\nmin_components_95 = np.argmax(cum_var >= 0.95) + 1\n\nmin_components_95\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "original_lab_prompt", "source_file": "012_pca.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: PCA\nŹródło: 012_pca.py\n\nPolecenie z pliku:\n## Zadanie 6\nZmień kolory lub dodaj legendę.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: wine_like.\nKolumny mogą wyglądać tak: alcohol, malic_acid, ash, magnesium, flavanoids, class.\nTarget: class.\n\nChecklist dla tematu:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\nfor class_id, class_name in enumerate(data.target_names):\n plt.scatter(\n X_pca[y == class_id, 0],\n X_pca[y == class_id, 1],\n label=class_name\n )\n\nplt.title(\"PCA 2D z legenda\")\nplt.xlabel(\"PC1\")\nplt.ylabel(\"PC2\")\nplt.legend()\nplt.show()\n\nKod Python:\n```python\nfor class_id, class_name in enumerate(data.target_names):\n plt.scatter(\n X_pca[y == class_id, 0],\n X_pca[y == class_id, 1],\n label=class_name\n )\n\nplt.title(\"PCA 2D z legenda\")\nplt.xlabel(\"PC1\")\nplt.ylabel(\"PC2\")\nplt.legend()\nplt.show()\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "original_lab_prompt", "source_file": "012_pca.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: PCA\nŹródło: 012_pca.py\n\nPolecenie z pliku:\n## Zadanie 7\nPorównaj dane oryginalne i zrekonstruowane.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: wine_like.\nKolumny mogą wyglądać tak: alcohol, malic_acid, ash, magnesium, flavanoids, class.\nTarget: class.\n\nChecklist dla tematu:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\nimport pandas as pd\n\ncomparison = pd.DataFrame({\n 'oryginalne': X_scaled[0],\n 'zrekonstruowane': X_reconstructed[0]\n})\n\ncomparison.head()\n\nKod Python:\n```python\nimport pandas as pd\n\ncomparison = pd.DataFrame({\n 'oryginalne': X_scaled[0],\n 'zrekonstruowane': X_reconstructed[0]\n})\n\ncomparison.head()\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "original_lab_prompt", "source_file": "012_pca.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: PCA\nŹródło: 012_pca.py\n\nPolecenie z pliku:\n## Zadanie 8\nPorównaj model z PCA i bez PCA.", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: wine_like.\nKolumny mogą wyglądać tak: alcohol, malic_acid, ash, magnesium, flavanoids, class.\nTarget: class.\n\nChecklist dla tematu:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\nX_train, X_test, y_train, y_test = train_test_split(\n X_scaled, y,\n test_size=0.2,\n random_state=42\n)\n\nmodel_no_pca = LogisticRegression(max_iter=10000)\nmodel_no_pca.fit(X_train, y_train)\nscore_no_pca = model_no_pca.score(X_test, y_test)\n\npca = PCA(n_components=5)\nX_train_pca = pca.fit_transform(X_train)\nX_test_pca = pca.transform(X_test)\n\nmodel_pca = LogisticRegression(max_iter=10000)\nmodel_pca.fit(X_train_pca, y_train)\nscore_pca = model_pca.score(X_test_pca, y_test)\n\nscore_no_pca, score_pca\n\nKod Python:\n```python\nX_train, X_test, y_train, y_test = train_test_split(\n X_scaled, y,\n test_size=0.2,\n random_state=42\n)\n\nmodel_no_pca = LogisticRegression(max_iter=10000)\nmodel_no_pca.fit(X_train, y_train)\nscore_no_pca = model_no_pca.score(X_test, y_test)\n\npca = PCA(n_components=5)\nX_train_pca = pca.fit_transform(X_train)\nX_test_pca = pca.transform(X_test)\n\nmodel_pca = LogisticRegression(max_iter=10000)\nmodel_pca.fit(X_train_pca, y_train)\nscore_pca = model_pca.score(X_test_pca, y_test)\n\nscore_no_pca, score_pca\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "original_lab_prompt", "source_file": "012_pca.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: PCA\nŹródło: 012_pca.py\n\nPolecenie z pliku:\n## Zadanie 9\nZmodyfikuj wykres 3D (np. kolory, punkt widzenia).", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: wine_like.\nKolumny mogą wyglądać tak: alcohol, malic_acid, ash, magnesium, flavanoids, class.\nTarget: class.\n\nChecklist dla tematu:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\nfig = plt.figure()\nax = fig.add_subplot(111, projection='3d')\nax.scatter(X_pca3[:, 0], X_pca3[:, 1], X_pca3[:, 2], c=y, cmap='viridis')\nax.view_init(elev=25, azim=45)\nax.set_xlabel(\"PC1\")\nax.set_ylabel(\"PC2\")\nax.set_zlabel(\"PC3\")\nplt.title(\"PCA 3D - zmieniony widok\")\nplt.show()\n\nKod Python:\n```python\nfig = plt.figure()\nax = fig.add_subplot(111, projection='3d')\nax.scatter(X_pca3[:, 0], X_pca3[:, 1], X_pca3[:, 2], c=y, cmap='viridis')\nax.view_init(elev=25, azim=45)\nax.set_xlabel(\"PC1\")\nax.set_ylabel(\"PC2\")\nax.set_zlabel(\"PC3\")\nplt.title(\"PCA 3D - zmieniony widok\")\nplt.show()\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "original_lab_prompt", "source_file": "012_pca.py"} -{"instruction": "Rozwiąż oryginalne zadanie laboratoryjne bez gotowej odpowiedzi. Podejdź do niego tak, jak na kolokwium: rozpoznaj cel, wykonaj potrzebne kroki i podaj kod Python.\n\nTemat: PCA\nŹródło: 012_pca.py\n\nPolecenie z pliku:\n## Zadanie 10\nZbuduj pipeline:\n- skalowanie\n- PCA\n- model ML", "input": "Kontekst kolokwium:\nDostajesz dataset podobny do labów. Przykładowy profil danych: wine_like.\nKolumny mogą wyglądać tak: alcohol, malic_acid, ash, magnesium, flavanoids, class.\nTarget: class.\n\nChecklist dla tematu:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.model_selection import train_test_split\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.2,\n random_state=42\n)\n\npipeline = Pipeline([\n ('scaler', StandardScaler()),\n ('pca', PCA(n_components=5)),\n ('model', LogisticRegression(max_iter=10000))\n])\n\npipeline.fit(X_train, y_train)\n\npipeline.score(X_test, y_test)\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.model_selection import train_test_split\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.2,\n random_state=42\n)\n\npipeline = Pipeline([\n ('scaler', StandardScaler()),\n ('pca', PCA(n_components=5)),\n ('model', LogisticRegression(max_iter=10000))\n])\n\npipeline.fit(X_train, y_train)\n\npipeline.score(X_test, y_test)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "original_lab_prompt", "source_file": "012_pca.py"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `braki danych i outliery`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nmissing = df.isna().sum()\ndf['age'] = df['age'].fillna(df['age'].mean())\ndf['fare'] = df['fare'].fillna(df['fare'].mean())\n\nq1 = df['fare'].quantile(0.25)\nq3 = df['fare'].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf['fare_winsor'] = df['fare'].clip(lower, upper)\n```", "input": "Materiał źródłowy:\nTemat: braki danych i outliery\nPoprawny wzorzec pochodzi z materiału: document_sources/Machine Learning Engineering with Python.txt\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\nBłąd jest typowy dla tematu `braki danych i outliery`. Należy zastosować poprawną procedurę: policz braki isna().sum(); uzupełnij lub usuń braki świadomie; wykryj outliery metodą IQR albo boxplotem.\n\nKod Python:\n```python\nmissing = df.isna().sum()\ndf['age'] = df['age'].fillna(df['age'].median())\ndf['fare'] = df['fare'].fillna(df['fare'].median())\n\nq1 = df['fare'].quantile(0.25)\nq3 = df['fare'].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf['fare_winsor'] = df['fare'].clip(lower, upper)\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "code_repair", "source_file": "document_sources/Machine Learning Engineering with Python.txt"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `outlier` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nThere is no reason to be an outlier without cause.\n5.6 Cross Validation\nIn Chapter 1, you learned about using development data (or held-out\ndata) to set hyperparameters. The main disadvantage to the develop-\nment data approach is that you throw out some of your training data,\njust for estimating one or two hyperparameters.\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\nPojęcie `outlier` zastosuj w obszarze `braki danych i outliery`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: policz braki isna().sum(); uzupełnij lub usuń braki świadomie; wykryj outliery metodą IQR albo boxplotem.\n\nKod Python:\n```python\nmissing = df.isna().sum()\ndf['age'] = df['age'].fillna(df['age'].median())\ndf['fare'] = df['fare'].fillna(df['fare'].median())\n\nq1 = df['fare'].quantile(0.25)\nq3 = df['fare'].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf['fare_winsor'] = df['fare'].clip(lower, upper)\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "lecture_concept_application", "source_file": "document_sources/THE A Course in Machine Learning 2013.txt"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: podział danych i walidacja. Zadanie 4\n\nSprawdź czy przy różnych `random_state` podział będzie inny.", "input": "Materiał źródłowy:\n## Zadanie 4\n\nSprawdź czy przy różnych `random_state` podział będzie inny.\n\n### Rozwiązanie\n\n```python\nX_train_a, X_test_a, y_train_a, y_test_a = train_test_split(X, y, test_size=0.2, random_state=1)\nX_train_b, X_test_b, y_train_b, y_test_b = train_test_split(X, y, test_size=0.2, random_state=2)\n\nX_train_a.equals(X_train_b)\n```\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nX_train_a, X_test_a, y_train_a, y_test_a = train_test_split(X, y, test_size=0.2, random_state=1)\nX_train_b, X_test_b, y_train_b, y_test_b = train_test_split(X, y, test_size=0.2, random_state=2)\n\nX_train_a.equals(X_train_b)\n\nKod Python:\n```python\nX_train_a, X_test_a, y_train_a, y_test_a = train_test_split(X, y, test_size=0.2, random_state=1)\nX_train_b, X_test_b, y_train_b, y_test_b = train_test_split(X, y, test_size=0.2, random_state=2)\n\nX_train_a.equals(X_train_b)\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "md_exercise_solution", "source_file": "005_podzial_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: normalizacja i kodowanie. Zadanie 10\n\nSprawdź ile cech powstało po transformacji.", "input": "Materiał źródłowy:\n## Zadanie 10\n\nSprawdź ile cech powstało po transformacji.\n\n### Rozwiązanie\n\n```python\nX = transformer.fit_transform(df)\n\nX.shape\n```\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\nX = transformer.fit_transform(df)\n\nX.shape\n\nKod Python:\n```python\nX = transformer.fit_transform(df)\n\nX.shape\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "md_exercise_solution", "source_file": "003_normalizacja_kodowanie.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: regresja logistyczna. Zadanie 8\nSprawdź jak precision i recall zmieniają się przy zmianie progu.", "input": "Materiał źródłowy:\n### Zadanie 8\nSprawdź jak precision i recall zmieniają się przy zmianie progu.\n\n### Rozwiazanie zadania 8\n\n```python\nthreshold_model = LogisticRegression(max_iter=10000)\nthreshold_model.fit(X_train, y_train)\ny_prob = threshold_model.predict_proba(X_test)[:, 1]\n\nfor threshold in [0.3, 0.5, 0.7]:\n y_pred_threshold = (y_prob >= threshold).astype(int)\n print(\n threshold,\n precision_score(y_test, y_pred_threshold),\n recall_score(y_test, y_pred_threshold)\n )\n```\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nthreshold_model = LogisticRegression(max_iter=10000)\nthreshold_model.fit(X_train, y_train)\ny_prob = threshold_model.predict_proba(X_test)[:, 1]\n\nfor threshold in [0.3, 0.5, 0.7]:\n y_pred_threshold = (y_prob >= threshold).astype(int)\n print(\n threshold,\n precision_score(y_test, y_pred_threshold),\n recall_score(y_test, y_pred_threshold)\n )\n\nKod Python:\n```python\nthreshold_model = LogisticRegression(max_iter=10000)\nthreshold_model.fit(X_train, y_train)\ny_prob = threshold_model.predict_proba(X_test)[:, 1]\n\nfor threshold in [0.3, 0.5, 0.7]:\n y_pred_threshold = (y_prob >= threshold).astype(int)\n print(\n threshold,\n precision_score(y_test, y_pred_threshold),\n recall_score(y_test, y_pred_threshold)\n )\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "md_exercise_solution", "source_file": "010_regresja_logistyczna.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `podział danych i walidacja`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_train, y_train, y_train = train_test_split(\n X, y, test_size=0.2, stratify=y, random_state=42\n)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```", "input": "Materiał źródłowy:\nTemat: podział danych i walidacja\nPoprawny wzorzec pochodzi z materiału: Uczenie_maszynowe_03a.pdf\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nBłąd jest typowy dla tematu `podział danych i walidacja`. Należy zastosować poprawną procedurę: oddziel X i y; użyj train_test_split z random_state; oceń model na danych testowych lub przez cross-validation.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, stratify=y, random_state=42\n)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "code_repair", "source_file": "Uczenie_maszynowe_03a.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `normalizacja` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nNormalizacja danych przed PCA\nNormalizacja danych to kluczowy krok przed zastosowaniem algorytmu\ngłównych składowych, ponieważ PCA jest bardzo wrażliwe na skalę zmiennych.\nBrak normalizacji, w przypadku zmiennych o dużym rozrzucie zakresu wartości,\nspowoduje fałszywy wzrost znaczenia składowych o dużych wartościach. Jeśli\nnie wykona się normalizacji danych to, cechy o większych wartościach (np.\ndochód w tysiącach) zdominują te o mniejszych (np. wiek).\nUżycie macierzy korelacji odpowiada wstępnej normalizacji zbioru wejściowego\ntak, aby każda zmienna miała na wejściu identyczną wariancję, co może być\nwskazane, jeśli wartości zmiennych nie są porównywalne.\nW przypadku użycia macierzy kowariancji, zmienne w zbiorze wejściowym\no największej wariancji mają największy wpływ na wynik, co może być wskazane,\njeśli zmienne reprezentują porównywalne wielkości, np. procentowe zmiany\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\nPojęcie `normalizacja` zastosuj w obszarze `normalizacja i kodowanie`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: oddziel kolumny numeryczne i kategoryczne; skaluj cechy numeryczne; zakoduj kategorie bez data leakage.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = ['bill_length_mm', 'bill_depth_mm', 'body_mass_g']\ncat_cols = ['island', 'sex']\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_06.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `KNN`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_train, model.predict(X_train))\n\nbest_k = max(scores, key=scores.get)\n```", "input": "Materiał źródłowy:\nTemat: KNN\nPoprawny wzorzec pochodzi z materiału: Uczenie_maszynowe_04.pdf\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nBłąd jest typowy dla tematu `KNN`. Należy zastosować poprawną procedurę: wybierz cechy i etykietę; przeskaluj dane; przetestuj kilka wartości k.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\n\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "code_repair", "source_file": "Uczenie_maszynowe_04.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: PCA\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `PCA`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = X\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\n\npca_final = PCA(n_components=n_components)\nX_pca = pca_final.fit_transform(X_scaled)\n```", "input": "Materiał źródłowy:\nTemat: PCA\nPoprawny wzorzec pochodzi z materiału: scenario::wine\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów\n\nPułapki:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "output": "Plan:\nBłąd jest typowy dla tematu `PCA`. Należy zastosować poprawną procedurę: przeskaluj dane; dobierz liczbę komponentów; sprawdź explained_variance_ratio_.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\n\npca_final = PCA(n_components=n_components)\nX_pca = pca_final.fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "code_repair", "source_file": "scenario::wine"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `iris` z cechami: sepal_length, sepal_width, petal_length, petal_width. Masz podziel dane i sprawdź jakość klasyfikatora bez data leakage. Zaproponuj metrykę oceny i uzasadnij wybór.", "input": "Materiał źródłowy:\nDataset: iris\nCel/target: species\nCechy: sepal_length, sepal_width, petal_length, petal_width\nZadanie: podziel dane i sprawdź jakość klasyfikatora bez data leakage\nTemat z ćwiczeń: podział danych i walidacja\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `podział danych i walidacja`: oddziel X i y; użyj train_test_split z random_state; oceń model na danych testowych lub przez cross-validation. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, stratify=y, random_state=42\n)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_scenario", "source_file": "scenario::iris"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `normalizacja i kodowanie`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = ['bill_length_mm', 'bill_depth_mm', 'body_mass_g']\ncat_cols = ['island', 'sex']\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='error'), cat_cols)\n])\n```", "input": "Materiał źródłowy:\nTemat: normalizacja i kodowanie\nPoprawny wzorzec pochodzi z materiału: document_sources/THE A Course in Machine Learning 2013.txt\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\nBłąd jest typowy dla tematu `normalizacja i kodowanie`. Należy zastosować poprawną procedurę: oddziel kolumny numeryczne i kategoryczne; skaluj cechy numeryczne; zakoduj kategorie bez data leakage.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = ['bill_length_mm', 'bill_depth_mm', 'body_mass_g']\ncat_cols = ['island', 'sex']\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "code_repair", "source_file": "document_sources/THE A Course in Machine Learning 2013.txt"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `cross-validation` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\ndata, using the hyperparameters selected by cross-validation. If you\nhave the time, the latter is probably a better options.\nIt may seem that LOO cross validation is prohibitively expensive\nto run. This is true for most learning algorithms except for K-nearest\nneighbors. For KNN, leave-one-out is actually very natural. We loop\nthrough each training point and ask ourselves whether this example\nwould be correctly classified for all different possible values of K.\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nPojęcie `cross-validation` zastosuj w obszarze `podział danych i walidacja`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: oddziel X i y; użyj train_test_split z random_state; oceń model na danych testowych lub przez cross-validation.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, stratify=y, random_state=42\n)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "lecture_concept_application", "source_file": "document_sources/THE A Course in Machine Learning 2013.txt"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `wartości odstające` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nMSE jest bardzo wrażliwy na wartości odstające (outliers) i duże błędy ze\nwzględu na kwadrat, co jest przydatne, gdy duże błędy są szczególnie\nniepożądane.\n25/47\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\nPojęcie `wartości odstające` zastosuj w obszarze `braki danych i outliery`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: policz braki isna().sum(); uzupełnij lub usuń braki świadomie; wykryj outliery metodą IQR albo boxplotem.\n\nKod Python:\n```python\nmissing = df.isna().sum()\ndf['age'] = df['age'].fillna(df['age'].median())\ndf['fare'] = df['fare'].fillna(df['fare'].median())\n\nq1 = df['fare'].quantile(0.25)\nq3 = df['fare'].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf['fare_winsor'] = df['fare'].clip(lower, upper)\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_05.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja liniowa\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `regresja liniowa`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_train)\n\nmse = mean_squared_error(y_train, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```", "input": "Materiał źródłowy:\nTemat: regresja liniowa\nPoprawny wzorzec pochodzi z materiału: scenario::diabetes\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nBłąd jest typowy dla tematu `regresja liniowa`. Należy zastosować poprawną procedurę: wybierz zmienną ciągłą jako y; podziel dane; oceń MSE, RMSE i R2.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "regresja liniowa", "task_type": "code_repair", "source_file": "scenario::diabetes"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `normalization` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\n• Feature vector normalization: Here, you scale every single sample in your dataset so that \nthey have norms equal to 1. This can be very important if you are using algorithms where \nthe distance or cosine similarity between features is an important component, such as \nin clustering. It is also commonly used in text classification in combination with other \nfeature engineering methods, such as the TF-IDF statistic. In this case, assuming your \nentire feature is numerical, you just calculate the appropriate norm for your feature vector \nand then divide every component by that value. For example, if we use the E\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\nPojęcie `normalization` zastosuj w obszarze `normalizacja i kodowanie`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: oddziel kolumny numeryczne i kategoryczne; skaluj cechy numeryczne; zakoduj kategorie bez data leakage.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = ['bill_length_mm', 'bill_depth_mm', 'body_mass_g']\ncat_cols = ['island', 'sex']\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "lecture_concept_application", "source_file": "document_sources/Machine Learning Engineering with Python.txt"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `precision` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nOnce you can compute precision and recall, you are often able to\nproduce precision/recall curves. Suppose that you are attempting\nto identify spam. You run a learning algorithm to make predictions\non a test set. But instead of just taking a “yes/no” answer, you allow\nyour algorithm to produce its confidence. For instance, in perceptron,\nyou might use the distance from the hyperplane as a confidence\nmeasure. You can then sort all of your test emails according to this\nranking. You may put the most spam-like emails at the top and the\nleast spam-like emails at the bottom, like in Figure 5.13.\nHow would you get a confidence\nout of a decision tree or KNN??\nFigure 5.14: prac:p\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nPojęcie `precision` zastosuj w obszarze `regresja logistyczna`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: przygotuj klasy binarne; skaluj dane w pipeline; oceń accuracy, confusion matrix, precision i recall.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "lecture_concept_application", "source_file": "document_sources/THE A Course in Machine Learning 2013.txt"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: klasyfikacja\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `klasyfikacja` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nklasyfikacja ma charakter grupowania rozłącznego, którego wynikiem jest\nto, że każdy element należy do jednej i tylko jednej klasy .\n10/43\n\nChecklist:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nPojęcie `klasyfikacja` zastosuj w obszarze `klasyfikacja`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: zrozum problem; przygotuj dane; oceń wynik.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "klasyfikacja", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_06.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: wizualizacja danych\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `wykres` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nOdkrywanie zależności - wykresy pokazują relacje między zmiennymi takie\njak korelacje, trendy czy nieliniowości.\n3. Wykrywanie problemów w danych - wykresy ułatwiają wykrycie\nniezbalansowanych klas, czy błędnych wartości.\n4. Ocena modelu - wizualizacje pomagają sprawdzić jakość modelu poprzez\nmacierz pomyłek, wykresy błędów czy krzywą ROC.\n5. Interpretacja wyników - modele ML są często „czarną skrzynką” .\nWizualizacja tłumaczy decyzje modelu, oraz pokazuje ważność cech.\n3/39\n\nChecklist:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nPojęcie `wykres` zastosuj w obszarze `wizualizacja danych`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: dobierz wykres do typu zmiennej; sprawdź rozkłady, korelacje i klasy; opisz wnioski z wykresu.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.scatterplot(data=df, x='petal_length', y='petal_width', hue='species')\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "wizualizacja danych", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_03b.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `podział danych i walidacja`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nX_train, X_train, y_train, y_train = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n\nX_train.shape, X_test.shape\n```", "input": "Materiał źródłowy:\nTemat: podział danych i walidacja\nPoprawny wzorzec pochodzi z materiału: 005_podzial_danych.md\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nBłąd jest typowy dla tematu `podział danych i walidacja`. Należy zastosować poprawną procedurę: oddziel X i y; użyj train_test_split z random_state; oceń model na danych testowych lub przez cross-validation.\n\nKod Python:\n```python\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n\nX_train.shape, X_test.shape\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "code_repair", "source_file": "005_podzial_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: PCA\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `principal component` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nprincipal component analysis, PCA) - jest to\njedna ze statystycznych metod analizy czynnikowej, której celem jest redukcja\nwymiarowości (redukcja liczby cech) przy zachowaniu jak największej wariancji.\nMetoda polega na obliczeniu nowych zmiennych, które będą kombinacją liniową\nzmiennych pierwotnych, a następnie na wyłonieniu zmiennych pierwotnych,\nktóre mają największe znaczenie dla tzw. składowych głównych. Te wyznaczone\nskładowe główne są ortogonalne do siebie (prostopadłe) oraz tworzą nowe osie\nukładu współrzędnych.\nJako kryterium oceny bierze się pod uwagę analizę wariancji poszczególnych\nskładowych głównych, odrzucając te, które mają najmniejsze wartości, przez co\nmożna je interpretować jako szum.\n28/43\n\nChecklist:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów\n\nPułapki:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "output": "Plan:\nPojęcie `principal component` zastosuj w obszarze `PCA`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: przeskaluj dane; dobierz liczbę komponentów; sprawdź explained_variance_ratio_.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\n\npca_final = PCA(n_components=n_components)\nX_pca = pca_final.fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_06.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: drzewa decyzyjne\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `drzewo decyzyjne` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nDrzewo decyzyjne jest obiektem składającym się z:\n• węzłów, które można utożsamiać z pytaniami dotyczącymi cech obiektu,\nktóry nas interesuje;\n• krawędzi, które odpowiadają, czy dany element ma daną cech.\nW ten sposób drzewo decyzyjne rozgałęzia się, a ostatni element danej gałęzi\nprowadzi do „liścia”, czyli węzła, który reprezentuje decyzję.\n18/45\n\nChecklist:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nPojęcie `drzewo decyzyjne` zastosuj w obszarze `drzewa decyzyjne`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: wytrenuj DecisionTreeClassifier; porównaj głębokości drzewa; sprawdź accuracy i ważność cech.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nresults\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "drzewa decyzyjne", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_04.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: drzewa decyzyjne\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: drzewa decyzyjne. Zadanie 7\n\nNarysuj drzewo dla modelu `model_entropy`.", "input": "Materiał źródłowy:\n## Zadanie 7\n\nNarysuj drzewo dla modelu `model_entropy`.\n\n### Rozwiazanie\n\n```python\nplt.figure(figsize=(12, 8))\n\nplot_tree(\n model_entropy,\n feature_names=X.columns,\n class_names=model_entropy.classes_,\n filled=True\n)\n\nplt.show()\n```\n\nChecklist:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nplt.figure(figsize=(12, 8))\n\nplot_tree(\n model_entropy,\n feature_names=X.columns,\n class_names=model_entropy.classes_,\n filled=True\n)\n\nplt.show()\n\nKod Python:\n```python\nplt.figure(figsize=(12, 8))\n\nplot_tree(\n model_entropy,\n feature_names=X.columns,\n class_names=model_entropy.classes_,\n filled=True\n)\n\nplt.show()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "drzewa decyzyjne", "task_type": "md_exercise_solution", "source_file": "008_drzewa_decyzyjne.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: klasteryzacja\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: klasteryzacja. Zadanie 2\nSprawdź centroidy dla różnych wartości K.", "input": "Materiał źródłowy:\n### Zadanie 2\nSprawdź centroidy dla różnych wartości K.\n\n### Rozwiazanie zadania 2\n\n```python\nfor k in [2, 3, 4, 5]:\n km = KMeans(n_clusters=k, random_state=42)\n km.fit(X)\n print(f\"K={k}\")\n print(km.cluster_centers_)\n```\n\nChecklist:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry\n\nPułapki:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "output": "Plan:\nfor k in [2, 3, 4, 5]:\n km = KMeans(n_clusters=k, random_state=42)\n km.fit(X)\n print(f\"K={k}\")\n print(km.cluster_centers_)\n\nKod Python:\n```python\nfor k in [2, 3, 4, 5]:\n km = KMeans(n_clusters=k, random_state=42)\n km.fit(X)\n print(f\"K={k}\")\n print(km.cluster_centers_)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "md_exercise_solution", "source_file": "011_klastry.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `recall` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nRecall that the\nfirst element of a sequence in python is numbered zero. Thus, to extract the\nabs function from mylist in the example above, we would refer to element\n4, i.e. mylist[4]:\n>>> mixlist[4](-5)\n5\nThis example shows that once an element is extracted from a list, you can use\nit in any context in which the original element could be used; by providing\nan argument in parentheses to mixlist[4], we call the function abs which\nwas stored in that position in the list. Furthermore, when accessing lists\ninside of lists, you can simply use additional sets of square brackets to access\nindividual\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nPojęcie `recall` zastosuj w obszarze `regresja logistyczna`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: przygotuj klasy binarne; skaluj dane w pipeline; oceń accuracy, confusion matrix, precision i recall.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "lecture_concept_application", "source_file": "document_sources/python.txt"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `knn` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nFigure 3.10: decision boundary for knn\nwith k=3.\nDecision boundaries are useful ways to visualize the complex-\nity of a learned model. Intuitively, a learned model with a decision\nboundary that is really jagged (like the coastline of Norway) is really\ncomplex and prone to overfitting. A learned model with a decision\nboundary that is really simple (like the bounary between Arizona\nand Utah) is potentially underfit.\nNow that you know about decision boundaries, it is natural to ask:\nwhat do decision boundaries for decision trees look like? In order\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nPojęcie `knn` zastosuj w obszarze `KNN`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: wybierz cechy i etykietę; przeskaluj dane; przetestuj kilka wartości k.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\n\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "lecture_concept_application", "source_file": "document_sources/THE A Course in Machine Learning 2013.txt"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `logistic regression` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nTaking the case of the logistic regression, you\nmight a priori believe that small values of w are more likely than\nlarge values, and choose to represent this as a Gaussian prior on each\ncomponent of w.\nThe maximum a posteriori principle is a method for incoporat-\ning both data and prior beliefs to obtain a more balanced parameter\nestimate. In abstract terms, consider a probabilistic model over data\nD that is parameterized by parameters θ. If you think of the pa-\nrameters as just another random variable, then you can write this\nmodel as p(D | θ), and maximum likelihood amounts to choosing θ\nto maximize p(D | θ). Howe\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nPojęcie `logistic regression` zastosuj w obszarze `regresja logistyczna`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: przygotuj klasy binarne; skaluj dane w pipeline; oceń accuracy, confusion matrix, precision i recall.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "lecture_concept_application", "source_file": "document_sources/THE A Course in Machine Learning 2013.txt"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `regresja logistyczna`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_train)\n\ncm = confusion_matrix(y_train, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```", "input": "Materiał źródłowy:\nTemat: regresja logistyczna\nPoprawny wzorzec pochodzi z materiału: Uczenie_maszynowe_03b.pdf\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nBłąd jest typowy dla tematu `regresja logistyczna`. Należy zastosować poprawną procedurę: przygotuj klasy binarne; skaluj dane w pipeline; oceń accuracy, confusion matrix, precision i recall.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "code_repair", "source_file": "Uczenie_maszynowe_03b.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `najbliższych sąsiadów` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\n• metoda k-najbliższych sąsiadów (kNN)\n• maszyny wektorów nośnych (support vector machine - SVM)\n• naiwny klasyfikator Bayesa (naive Bayes)\n• las losowy (random forest)\n• regresja logistyczna (logistic regression)\n• Boosting algorithms - modelowanie zespołowe, budowa silnego\nklasyfikatora z kilku słabych.\n2) Regresja (regression) - przewidywanie wartości\n• regresja liniowa (linear regression)\n• regresja wielomianowa (polynomial regression)\n• drzewo regresyjne (regresion tree)\n16/33\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nPojęcie `najbliższych sąsiadów` zastosuj w obszarze `KNN`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: wybierz cechy i etykietę; przeskaluj dane; przetestuj kilka wartości k.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\n\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_01.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja liniowa\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `diabetes` z cechami: age, bmi, bp, s1, s2. Masz zbuduj model regresji i oceń błąd predykcji. Podaj minimalne kroki i kod.", "input": "Materiał źródłowy:\nDataset: diabetes\nCel/target: disease_progression\nCechy: age, bmi, bp, s1, s2\nZadanie: zbuduj model regresji i oceń błąd predykcji\nTemat z ćwiczeń: regresja liniowa\n\nChecklist:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `regresja liniowa`: wybierz zmienną ciągłą jako y; podziel dane; oceń MSE, RMSE i R2. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "regresja liniowa", "task_type": "exam_scenario", "source_file": "scenario::diabetes"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: braki danych i outliery. Zadanie 4\n\nUsuń tylko wiersze gdzie brakuje wartości w kolumnie `age`.", "input": "Materiał źródłowy:\n## Zadanie 4\n\nUsuń tylko wiersze gdzie brakuje wartości w kolumnie `age`.\n\n### Rozwiązanie\n\n```python\ndf_age_clean = df.dropna(subset=['age'])\n\ndf_age_clean.shape\n```\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\ndf_age_clean = df.dropna(subset=['age'])\n\ndf_age_clean.shape\n\nKod Python:\n```python\ndf_age_clean = df.dropna(subset=['age'])\n\ndf_age_clean.shape\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "md_exercise_solution", "source_file": "002_braki_i_outliery.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: drzewa decyzyjne\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `drzewa decyzyjne` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nAlgorytm drzewa decyzyjnego\nAlgorytm działa rekurencyjnie dla każdego węzła drzewa. Musimy podjąć\ndecyzję, czy węzeł będzie:\n• liściem według kryterium stopu - kończymy to wywołanie rekurencyjne;\n• węzłem rozgałęziającym się według kryterium wyboru atrybutu -\ndokonujemy wyboru atrybutu, tworzymy rozgałęzienia według wartości,\njakie przyjmuje dany atrybut, i dla każdego węzła potomnego tworzymy\nrekurencyjne wywołanie algorytmu, z listą atrybutów zmniejszoną o właśnie\nwybrany atrybut.\nWszystkie algorytmy działają według podanego schematu, różnice\nw implementacji dotyczą kryteriów stopu i wyboru atrybutu.\n22/45\n\nChecklist:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nPojęcie `drzewa decyzyjne` zastosuj w obszarze `drzewa decyzyjne`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: wytrenuj DecisionTreeClassifier; porównaj głębokości drzewa; sprawdź accuracy i ważność cech.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nresults\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "drzewa decyzyjne", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_04.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `standaryzacja` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\n• Standaryzacja - to przeskalowanie danych tak, aby średnia wynosiła 0,\na odchylenie standardowe 1.\nKorzyści normalizacji:\n• Lepsza wydajność modeli - modele uczą się szybciej i dokładniej.\n• Większa wiarygodność przewidywań - modele są mniej wrażliwe na\nodstające wartości (outliery).\n• Możliwość porównywania danych - ułatwia analizę danych z różnych\nzakresów.\n29/46\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\nPojęcie `standaryzacja` zastosuj w obszarze `normalizacja i kodowanie`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: oddziel kolumny numeryczne i kategoryczne; skaluj cechy numeryczne; zakoduj kategorie bez data leakage.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = ['bill_length_mm', 'bill_depth_mm', 'body_mass_g']\ncat_cols = ['island', 'sex']\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_02.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja liniowa\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: regresja liniowa. Zadanie 9\nZinterpretuj wykres reszt.", "input": "Materiał źródłowy:\n### Zadanie 9\nZinterpretuj wykres reszt.\n\n### Rozwiazanie zadania 9\n\nJesli punkty na wykresie reszt sa losowo rozrzucone wokol linii 0, model opisuje dane dosc dobrze. Widoczny wzor lub trend w resztach sugeruje, ze zaleznosc nie jest w pelni liniowa albo brakuje waznych cech.\n\nChecklist:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nJesli punkty na wykresie reszt sa losowo rozrzucone wokol linii 0, model opisuje dane dosc dobrze. Widoczny wzor lub trend w resztach sugeruje, ze zaleznosc nie jest w pelni liniowa albo brakuje waznych cech.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "regresja liniowa", "task_type": "md_exercise_solution", "source_file": "009_regresja_liniowa.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: drzewa decyzyjne\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `decision tree` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\n1.3 The Decision Tree Model of Learning\nThe decision tree is a classic and natural model of learning. It is\nclosely related to the fundamental computer science notion of “di-\nvide and conquer.” Although decision trees can be applied to many\n\nChecklist:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nPojęcie `decision tree` zastosuj w obszarze `drzewa decyzyjne`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: wytrenuj DecisionTreeClassifier; porównaj głębokości drzewa; sprawdź accuracy i ważność cech.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nresults\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "drzewa decyzyjne", "task_type": "lecture_concept_application", "source_file": "document_sources/THE A Course in Machine Learning 2013.txt"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: pozyskiwanie danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: pozyskiwanie danych. Zadanie 6\n\nWczytaj tylko kolumny:\n\n- total_bill\n- sex\n- day\ncolumns_subset = pd.read_csv(\n \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\",\n usecols=[\"total_bill\", \"sex\", \"day\"]\n)\n\ncolumns_subset.head()", "input": "Materiał źródłowy:\n## Zadanie 6\n\nWczytaj tylko kolumny:\n\n- total_bill\n- sex\n- day\n```python\ncolumns_subset = pd.read_csv(\n \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\",\n usecols=[\"total_bill\", \"sex\", \"day\"]\n)\n\ncolumns_subset.head()\n\n```\n\nChecklist:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\ncolumns_subset = pd.read_csv(\n \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\",\n usecols=[\"total_bill\", \"sex\", \"day\"]\n)\n\ncolumns_subset.head()\n\nKod Python:\n```python\ncolumns_subset = pd.read_csv(\n \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\",\n usecols=[\"total_bill\", \"sex\", \"day\"]\n)\n\ncolumns_subset.head()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "pozyskiwanie danych", "task_type": "md_exercise_solution", "source_file": "001_pozyskiwanie_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `standardization` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nNext, we must train a model without any standardization in the features and predict on \nthe test set:\nno_scale_clf = make_pipeline(RidgeClassifier(tol=1e-2,\nsolver=\"sag\"))\nno_scale_clf.fit(X_train, y_train)\ny_pred_no_scale = no_scale_clf.predict(X_test)\n4. Finally, we must do the same but with a standardization step added in:\nstd_scale_clf = make_pipeline(StandardScaler(), \nRidgeClassifier(tol=1e-2, solver=\"sag\"))\nstd_scale_clf.fit(X_train, y_train)\ny_pred_std_scale = std_scale_clf.predict(X_test)\n5. Now, if we print some performance metrics, we will see that without scaling, the accuracy \nof the predictions is at 0.76, while the other metrics, such as the weighted averages of \nprecision, recall, and f1-score, are 0.83, 0.76, and 0.68, respectively:\nprint('\\nAccuracy [no scaling]')\nprint('{:.2%}\\n'.f\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\nPojęcie `standardization` zastosuj w obszarze `normalizacja i kodowanie`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: oddziel kolumny numeryczne i kategoryczne; skaluj cechy numeryczne; zakoduj kategorie bez data leakage.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = ['bill_length_mm', 'bill_depth_mm', 'body_mass_g']\ncat_cols = ['island', 'sex']\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "lecture_concept_application", "source_file": "document_sources/Machine Learning Engineering with Python.txt"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: klasteryzacja\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `klasteryzacja`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', None),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', None),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```", "input": "Materiał źródłowy:\nTemat: klasteryzacja\nPoprawny wzorzec pochodzi z materiału: scenario::customers\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry\n\nPułapki:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "output": "Plan:\nBłąd jest typowy dla tematu `klasteryzacja`. Należy zastosować poprawną procedurę: przeskaluj dane; dobierz K metodą łokcia; zwizualizuj klastry i centroidy.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "code_repair", "source_file": "scenario::customers"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: KNN. Zadanie 5\n\nPorównaj przewidywania z rzeczywistymi etykietami.", "input": "Materiał źródłowy:\n## Zadanie 5\n\nPorównaj przewidywania z rzeczywistymi etykietami.\n\n### Rozwiązanie\n\n```python\ncomparison = pd.DataFrame({\n 'y_true': y_test.values,\n 'y_pred': predictions\n})\n\ncomparison.head(10)\n```\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\ncomparison = pd.DataFrame({\n 'y_true': y_test.values,\n 'y_pred': predictions\n})\n\ncomparison.head(10)\n\nKod Python:\n```python\ncomparison = pd.DataFrame({\n 'y_true': y_test.values,\n 'y_pred': predictions\n})\n\ncomparison.head(10)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "md_exercise_solution", "source_file": "007_knn.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja liniowa\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `linear regression` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nlinear regression\n, is a means of\nregression analysis used \nwidely in the fields of mathematics and data\nscience. In machine \nlearning, it’s often used to find the optimal linear\nmodel of two \nparameters or datasets.\nIn Step 4, you built a neural network to compute Q-values. Instead of \na\nneural network, in this step you will use \nridge regression\n, \na variant of\nleast squares, to compute this vector of Q-values. The \nhope is that with a\nmodel as uncomplicated as least squares, solving \nthe game will require\nfewer training episodes.\nStart by duplicating the script from Step 3:\ncp bot_3_q_table.py bot_5_ls.py\n\nChecklist:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nPojęcie `linear regression` zastosuj w obszarze `regresja liniowa`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: wybierz zmienną ciągłą jako y; podziel dane; oceń MSE, RMSE i R2.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "regresja liniowa", "task_type": "lecture_concept_application", "source_file": "document_sources/machine-learning-projects-python.txt"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: wizualizacja danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: wizualizacja danych. Zadanie 11\n\n1. Wczytaj dataset\n2. Narysuj histogram dla `sepal_length`\n3. Narysuj scatter plot dla `sepal_length` vs `petal_length`\n4. Pokoloruj punkty według `species`", "input": "Materiał źródłowy:\n## Zadanie 11\n\n1. Wczytaj dataset\n2. Narysuj histogram dla `sepal_length`\n3. Narysuj scatter plot dla `sepal_length` vs `petal_length`\n4. Pokoloruj punkty według `species`\n\n### Rozwiązanie\n\n```python\nplt.hist(df['sepal_length'], bins=20)\nplt.show()\n\nsns.scatterplot(data=df, x='sepal_length', y='petal_length', hue='species')\nplt.show()\n```\n\nChecklist:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nplt.hist(df['sepal_length'], bins=20)\nplt.show()\n\nsns.scatterplot(data=df, x='sepal_length', y='petal_length', hue='species')\nplt.show()\n\nKod Python:\n```python\nplt.hist(df['sepal_length'], bins=20)\nplt.show()\n\nsns.scatterplot(data=df, x='sepal_length', y='petal_length', hue='species')\nplt.show()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "wizualizacja danych", "task_type": "md_exercise_solution", "source_file": "006_wizualizacja_ml.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: braki danych i outliery. Zadanie 2\n\n1. Sprawdź ile braków jest w kolumnie `age`.\n2. Sprawdź ile braków jest w kolumnie `deck`.", "input": "Materiał źródłowy:\n## Zadanie 2\n\n1. Sprawdź ile braków jest w kolumnie `age`.\n2. Sprawdź ile braków jest w kolumnie `deck`.\n\n### Rozwiązanie\n\n```python\ndf['age'].isna().sum()\n\ndf['deck'].isna().sum()\n```\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\ndf['age'].isna().sum()\n\ndf['deck'].isna().sum()\n\nKod Python:\n```python\ndf['age'].isna().sum()\n\ndf['deck'].isna().sum()\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "md_exercise_solution", "source_file": "002_braki_i_outliery.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: normalizacja i kodowanie. Zadanie 1\n\n1. Wczytaj dataset.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź rozmiar datasetu (`shape`).", "input": "Materiał źródłowy:\n## Zadanie 1\n\n1. Wczytaj dataset.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź rozmiar datasetu (`shape`).\n\n### Rozwiązanie\n\n```python\ndf.head(10)\n\ndf.shape\n```\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\ndf.head(10)\n\ndf.shape\n\nKod Python:\n```python\ndf.head(10)\n\ndf.shape\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "md_exercise_solution", "source_file": "003_normalizacja_kodowanie.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: klasteryzacja\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `klasteryzacja` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nAnaliza skupień (klasteryzacja) - jest wykorzystywana w celu grupowania lub\nsegmentowania zestawów danych ze wspólnymi atrybutami w celu ekstrapolacji\nwystępujących w nich zależności. Analiza skupień identyfikuje podobieństwa\nw danych i pozwala na grupowanie danych, które nie zostały oznaczone,\nsklasyfikowane ani skategoryzowane. Ponieważ analiza skupień bazuje na\nobecności lub braku takich podobieństw w nowych danych, może być\nwykorzystana aby wykryć nietypowe dane, które nie pasują do żadnej grupy .\nRedukcja wymiarowości jest wykorzystywana do zmniejszania wymiarowości\ndanych poprzez odkrywanie i odrzucanie cech które niosą ze sobą najmniej\ninformacji.\n5/43\n\nChecklist:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry\n\nPułapki:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "output": "Plan:\nPojęcie `klasteryzacja` zastosuj w obszarze `klasteryzacja`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: przeskaluj dane; dobierz K metodą łokcia; zwizualizuj klastry i centroidy.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_06.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `nearest neighbor` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\n3 | G EOMETRY AND NEAREST NEIGHBORS\nDependencies: Chapter 1\nYou can think of prediction tasks as mapping inputs (course\nreviews) to outputs (course ratings). As you learned in the previ-\nous chapter, decomposing an input into a collection of features (e.g.,\nwords that occur in the review) forms a useful abstraction for learn-\ning. Therefore, inputs are nothing more than lists of feature values.\nThis suggests a geometric view of data, where we have one dimen-\nsion for every feature. In this view, examples are points in a high-\ndimensional space.\nOnce we think of a data set as a collection of points in high dimen-\nsional space, we can start performing geometric operations on this\ndata. For instance, suppose you need to predict whether Alice will\nlike Algorithms. Perhaps we can try to find another student who is\nmost “similar” to Alice, in terms of favorite courses. Say this\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nPojęcie `nearest neighbor` zastosuj w obszarze `KNN`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: wybierz cechy i etykietę; przeskaluj dane; przetestuj kilka wartości k.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\n\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "lecture_concept_application", "source_file": "document_sources/THE A Course in Machine Learning 2013.txt"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: PCA\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `pca` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nswapcase Change upper to lower and lower to upper\ntitle Capitalize the first letter of each word in the string\nupper Make all characters upper case\nTable 2.2: String Methods\n\nChecklist:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów\n\nPułapki:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "output": "Plan:\nPojęcie `pca` zastosuj w obszarze `PCA`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: przeskaluj dane; dobierz liczbę komponentów; sprawdź explained_variance_ratio_.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\n\npca_final = PCA(n_components=n_components)\nX_pca = pca_final.fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "lecture_concept_application", "source_file": "document_sources/python.txt"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja liniowa\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: regresja liniowa. Zadanie 3\nPrzewidź wartości dla X = 10, 20.", "input": "Materiał źródłowy:\n### Zadanie 3\nPrzewidź wartości dla X = 10, 20.\n\n### Rozwiazanie zadania 3\n\n```python\nnew_data = np.array([[10], [20]])\npredictions = model_more.predict(new_data)\n\npredictions\n```\n\nChecklist:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nnew_data = np.array([[10], [20]])\npredictions = model_more.predict(new_data)\n\npredictions\n\nKod Python:\n```python\nnew_data = np.array([[10], [20]])\npredictions = model_more.predict(new_data)\n\npredictions\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "regresja liniowa", "task_type": "md_exercise_solution", "source_file": "009_regresja_liniowa.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: braki danych i outliery. Zadanie 5\n\nUzupełnij brakujące wartości w kolumnie `fare` medianą.", "input": "Materiał źródłowy:\n## Zadanie 5\n\nUzupełnij brakujące wartości w kolumnie `fare` medianą.\n\n### Rozwiązanie\n\n```python\nfare_median = df['fare'].median()\n\ndf['fare_filled'] = df['fare'].fillna(fare_median)\n\ndf[['fare', 'fare_filled']].head()\n```\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\nfare_median = df['fare'].median()\n\ndf['fare_filled'] = df['fare'].fillna(fare_median)\n\ndf[['fare', 'fare_filled']].head()\n\nKod Python:\n```python\nfare_median = df['fare'].median()\n\ndf['fare_filled'] = df['fare'].fillna(fare_median)\n\ndf[['fare', 'fare_filled']].head()\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "md_exercise_solution", "source_file": "002_braki_i_outliery.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: klasteryzacja\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `k-means` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\n• metoda k-średnich (k-means) - algorytm centroidów\n• hierarchiczna analiza skupień\n• DBSCAN (density-based spatial clustering of applications with\nnoise)\n2) redukcja wymiaru (dimensionality reduction)\n• PCA - analiza głównych składowych (principal component analysis)\n• LDA - liniowa analiza dyskryminacyjna (linear discriminant\nanalysis)\n• jądrowa analiza głównych składowych\n17/33\n\nChecklist:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry\n\nPułapki:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "output": "Plan:\nPojęcie `k-means` zastosuj w obszarze `klasteryzacja`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: przeskaluj dane; dobierz K metodą łokcia; zwizualizuj klastry i centroidy.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zak��adaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_01.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: klasyfikacja\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `uczenie maszynowe` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nUczenie maszynowe - modele klasyfikacji\n• kNN - metoda k najbliższych sąsiadów (k nearest neighbours),\n• drzewa decyzyjne (decision trees),\n• metoda wektorów wspierających (Support Vector Machine - SVM),\n• naiwny klasyfikator Bayesowski,\n• analiza dyskryminacyjna.\n1/45\n\nChecklist:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nPojęcie `uczenie maszynowe` zastosuj w obszarze `klasyfikacja`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: zrozum problem; przygotuj dane; oceń wynik.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "klasyfikacja", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_04.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `braki danych i outliery`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nfare_median = df['fare'].mean()\n\ndf['fare_filled'] = df['fare'].fillna(fare_median)\n\ndf[['fare', 'fare_filled']].head()\n```", "input": "Materiał źródłowy:\nTemat: braki danych i outliery\nPoprawny wzorzec pochodzi z materiału: 002_braki_i_outliery.md\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\nBłąd jest typowy dla tematu `braki danych i outliery`. Należy zastosować poprawną procedurę: policz braki isna().sum(); uzupełnij lub usuń braki świadomie; wykryj outliery metodą IQR albo boxplotem.\n\nKod Python:\n```python\nfare_median = df['fare'].median()\n\ndf['fare_filled'] = df['fare'].fillna(fare_median)\n\ndf[['fare', 'fare_filled']].head()\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "code_repair", "source_file": "002_braki_i_outliery.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: normalizacja i kodowanie. Zadanie 5\n\nZastosuj RobustScaler do `bill_length_mm`.", "input": "Materiał źródłowy:\n## Zadanie 5\n\nZastosuj RobustScaler do `bill_length_mm`.\n\n### Rozwiązanie\n\n```python\nfrom sklearn.preprocessing import RobustScaler\n\nscaler = RobustScaler()\n\ndf[['bill_length_robust']] = scaler.fit_transform(df[['bill_length_mm']])\n\ndf[['bill_length_mm', 'bill_length_robust']].head()\n```\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\nfrom sklearn.preprocessing import RobustScaler\n\nscaler = RobustScaler()\n\ndf[['bill_length_robust']] = scaler.fit_transform(df[['bill_length_mm']])\n\ndf[['bill_length_mm', 'bill_length_robust']].head()\n\nKod Python:\n```python\nfrom sklearn.preprocessing import RobustScaler\n\nscaler = RobustScaler()\n\ndf[['bill_length_robust']] = scaler.fit_transform(df[['bill_length_mm']])\n\ndf[['bill_length_mm', 'bill_length_robust']].head()\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "md_exercise_solution", "source_file": "003_normalizacja_kodowanie.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `braki danych` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nwartości odstające (outliers), braki danych, skośność danych szybciej niż\nsame liczby .\n2. Odkrywanie zależności - wykresy pokazują relacje między zmiennymi takie\njak korelacje, trendy czy nieliniowości.\n3. Wykrywanie problemów w danych - wykresy ułatwiają wykrycie\nniezbalansowanych klas, czy błędnych wartości.\n4. Ocena modelu - wizualizacje pomagają sprawdzić jakość modelu poprzez\nmacierz pomyłek, wykresy błędów czy krzywą ROC.\n5. Interpretacja wyników - modele ML są często „czarną skrzynką” .\nWizualizacja tłumaczy decyzje modelu, oraz pokazuje ważność cech.\n3/39\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\nPojęcie `braki danych` zastosuj w obszarze `braki danych i outliery`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: policz braki isna().sum(); uzupełnij lub usuń braki świadomie; wykryj outliery metodą IQR albo boxplotem.\n\nKod Python:\n```python\nmissing = df.isna().sum()\ndf['age'] = df['age'].fillna(df['age'].median())\ndf['fare'] = df['fare'].fillna(df['fare'].median())\n\nq1 = df['fare'].quantile(0.25)\nq3 = df['fare'].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf['fare_winsor'] = df['fare'].clip(lower, upper)\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_03b.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: PCA\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `wine` z cechami: alcohol, malic_acid, ash, magnesium, flavanoids. Masz zredukuj wymiar danych i sprawdź zachowaną wariancję. Podaj minimalne kroki i kod.", "input": "Materiał źródłowy:\nDataset: wine\nCel/target: class\nCechy: alcohol, malic_acid, ash, magnesium, flavanoids\nZadanie: zredukuj wymiar danych i sprawdź zachowaną wariancję\nTemat z ćwiczeń: PCA\n\nChecklist:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów\n\nPułapki:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `PCA`: przeskaluj dane; dobierz liczbę komponentów; sprawdź explained_variance_ratio_. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\n\npca_final = PCA(n_components=n_components)\nX_pca = pca_final.fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_scenario", "source_file": "scenario::wine"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja liniowa\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `diabetes` z cechami: age, bmi, bp, s1, s2. Masz zbuduj model regresji i oceń błąd predykcji. Podaj także typowe błędy, których trzeba uniknąć.", "input": "Materiał źródłowy:\nDataset: diabetes\nCel/target: disease_progression\nCechy: age, bmi, bp, s1, s2\nZadanie: zbuduj model regresji i oceń błąd predykcji\nTemat z ćwiczeń: regresja liniowa\n\nChecklist:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `regresja liniowa`: wybierz zmienną ciągłą jako y; podziel dane; oceń MSE, RMSE i R2. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "regresja liniowa", "task_type": "exam_scenario", "source_file": "scenario::diabetes"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `one-hot` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\ninto a pandas DataFrame, before performing a train-test split on the data and one-hot \nencoding the training features, before returning all the train and test features and targets. \nAs in the other examples, most of these concepts and tools will be explained throughout \nthe book, particularly in Chapter 3, From Model to Model Factory:\ndef ingest_and_prep_data(\nbank_dataset: str = 'bank_data/bank.csv'\n) -> tuple[pd.DataFrame, pd.DataFrame, pd.DataFrame,\npd.DataFrame]:\ndf = pd.read_csv('bank_data/bank.csv', delimiter=';',\ndecimal=',')\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\nPojęcie `one-hot` zastosuj w obszarze `normalizacja i kodowanie`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: oddziel kolumny numeryczne i kategoryczne; skaluj cechy numeryczne; zakoduj kategorie bez data leakage.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = ['bill_length_mm', 'bill_depth_mm', 'body_mass_g']\ncat_cols = ['island', 'sex']\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "lecture_concept_application", "source_file": "document_sources/Machine Learning Engineering with Python.txt"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `zbiór testowy` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\n• Zbiór testowy - służy on do oceny jakości modelu, który nie widział tych\ndanych w trakcie uczenia.\n• Czasem wyróżnia się również trzeci zbiór. Zbiór walidacyjny - jest\nwykorzystywany do strojenia hiperparametrów (np. liczby warstw, tempa\nuczenia) bez ryzyka przeuczenia.\n10/16\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nPojęcie `zbiór testowy` zastosuj w obszarze `podział danych i walidacja`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: oddziel X i y; użyj train_test_split z random_state; oceń model na danych testowych lub przez cross-validation.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, stratify=y, random_state=42\n)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_03a.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: pozyskiwanie danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: pozyskiwanie danych. Zadanie 3\n\n1. Zapisz dataset do pliku `dataset.csv`.\n2. Wczytaj go ponownie.\n3. Wyświetl ostatnie 5 wierszy.\ndf.to_csv(\"dataset.csv\", index=False)\n\ndataset = pd.read_csv(\"dataset.csv\")\n\ndataset.tail(5)", "input": "Materiał źródłowy:\n## Zadanie 3\n\n1. Zapisz dataset do pliku `dataset.csv`.\n2. Wczytaj go ponownie.\n3. Wyświetl ostatnie 5 wierszy.\n```python\ndf.to_csv(\"dataset.csv\", index=False)\n\ndataset = pd.read_csv(\"dataset.csv\")\n\ndataset.tail(5)\n\n```\n\nChecklist:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\ndf.to_csv(\"dataset.csv\", index=False)\n\ndataset = pd.read_csv(\"dataset.csv\")\n\ndataset.tail(5)\n\nKod Python:\n```python\ndf.to_csv(\"dataset.csv\", index=False)\n\ndataset = pd.read_csv(\"dataset.csv\")\n\ndataset.tail(5)\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "pozyskiwanie danych", "task_type": "md_exercise_solution", "source_file": "001_pozyskiwanie_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: drzewa decyzyjne\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: drzewa decyzyjne. Zadanie 3\n\nPodziel dane w proporcji 70/30.", "input": "Materiał źródłowy:\n## Zadanie 3\n\nPodziel dane w proporcji 70/30.\n\n### Rozwiazanie\n\n```python\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n\nX_train.shape, X_test.shape\n```\n\nChecklist:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n\nX_train.shape, X_test.shape\n\nKod Python:\n```python\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n\nX_train.shape, X_test.shape\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "drzewa decyzyjne", "task_type": "md_exercise_solution", "source_file": "008_drzewa_decyzyjne.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `iris` z cechami: petal_length, petal_width, sepal_length, sepal_width. Masz dobierz k i oceń klasyfikator KNN. Zaproponuj metrykę oceny i uzasadnij wybór.", "input": "Materiał źródłowy:\nDataset: iris\nCel/target: species\nCechy: petal_length, petal_width, sepal_length, sepal_width\nZadanie: dobierz k i oceń klasyfikator KNN\nTemat z ćwiczeń: KNN\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `KNN`: wybierz cechy i etykietę; przeskaluj dane; przetestuj kilka wartości k. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\n\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_scenario", "source_file": "scenario::iris"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: pozyskiwanie danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: pozyskiwanie danych. Zadanie 9\n\nWygeneruj dataset zawierający:\n\n- 200 osób\n- kolumny: wzrost, waga\npeople = pd.DataFrame({\n \"wzrost\": np.random.randint(150, 201, 200),\n \"waga\": np.random.randint(45, 121, 200)\n})\n\npeople.head()", "input": "Materiał źródłowy:\n## Zadanie 9\n\nWygeneruj dataset zawierający:\n\n- 200 osób\n- kolumny: wzrost, waga\n```python\npeople = pd.DataFrame({\n \"wzrost\": np.random.randint(150, 201, 200),\n \"waga\": np.random.randint(45, 121, 200)\n})\n\npeople.head()\n\n```\n\nChecklist:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\npeople = pd.DataFrame({\n \"wzrost\": np.random.randint(150, 201, 200),\n \"waga\": np.random.randint(45, 121, 200)\n})\n\npeople.head()\n\nKod Python:\n```python\npeople = pd.DataFrame({\n \"wzrost\": np.random.randint(150, 201, 200),\n \"waga\": np.random.randint(45, 121, 200)\n})\n\npeople.head()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "pozyskiwanie danych", "task_type": "md_exercise_solution", "source_file": "001_pozyskiwanie_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `podział danych i walidacja`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_train, y_train, y_train = train_test_split(X, y, test_size=0.2, random_state=42)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```", "input": "Materiał źródłowy:\nTemat: podział danych i walidacja\nPoprawny wzorzec pochodzi z materiału: 005_podzial_danych.md\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nBłąd jest typowy dla tematu `podział danych i walidacja`. Należy zastosować poprawną procedurę: oddziel X i y; użyj train_test_split z random_state; oceń model na danych testowych lub przez cross-validation.\n\nKod Python:\n```python\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "code_repair", "source_file": "005_podzial_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: wizualizacja danych\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `histogram` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\n• histogram,\n• wykres liniowy ,\n• wykres kołowy ,\n• wykres pudełkowy (boxplot),\n• wykres punktowy (scatter plot),\n• pairplot,\n• wykres wiolinowy ,\n• macierz korelacji,\n• heatmapy ,\n• macierz pomyłek,\n• krzywa ROC,\n• diagramy .\n5/39\n\nChecklist:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nPojęcie `histogram` zastosuj w obszarze `wizualizacja danych`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: dobierz wykres do typu zmiennej; sprawdź rozkłady, korelacje i klasy; opisz wnioski z wykresu.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.scatterplot(data=df, x='petal_length', y='petal_width', hue='species')\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "wizualizacja danych", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_03b.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja liniowa\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: regresja liniowa. Zadanie 5\nPorównaj MSE i RMSE – co mówi więcej?", "input": "Materiał źródłowy:\n### Zadanie 5\nPorównaj MSE i RMSE – co mówi więcej?\n\n### Rozwiazanie zadania 5\n\nRMSE jest czesto latwiejszy do interpretacji, bo ma taka sama jednostke jak zmienna `y`. MSE mocniej karze duze bledy, bo podnosi roznice do kwadratu.\n\n```python\nrmse_more = np.sqrt(mse_more)\n\nmse_more, rmse_more\n```\n\nChecklist:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nRMSE jest czesto latwiejszy do interpretacji, bo ma taka sama jednostke jak zmienna `y`. MSE mocniej karze duze bledy, bo podnosi roznice do kwadratu.\n\nrmse_more = np.sqrt(mse_more)\n\nmse_more, rmse_more\n\nKod Python:\n```python\nrmse_more = np.sqrt(mse_more)\n\nmse_more, rmse_more\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "regresja liniowa", "task_type": "md_exercise_solution", "source_file": "009_regresja_liniowa.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `regresja logistyczna` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nCzyli regresja logistyczna tworzy liniową granicę decyzyjną.\n41/47\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nPojęcie `regresja logistyczna` zastosuj w obszarze `regresja logistyczna`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: przygotuj klasy binarne; skaluj dane w pipeline; oceń accuracy, confusion matrix, precision i recall.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_05.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: pozyskiwanie danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: pozyskiwanie danych. Zadanie 11\n\n1. Wczytaj dataset `tips`\n2. Sprawdź typy danych\n3. Wybierz tylko kolumny `total_bill`, `tip`\n4. Zapisz wynik do CSV\ntips = pd.read_csv(url)\n\ntips.dtypes\n\ntips_selected = tips[[\"total_bill\", \"tip\"]]\n\ntips_selected.to_csv(\"tips_selected.csv\", index=False)", "input": "Materiał źródłowy:\n## Zadanie 11\n\n1. Wczytaj dataset `tips`\n2. Sprawdź typy danych\n3. Wybierz tylko kolumny `total_bill`, `tip`\n4. Zapisz wynik do CSV\n```python\ntips = pd.read_csv(url)\n\ntips.dtypes\n\ntips_selected = tips[[\"total_bill\", \"tip\"]]\n\ntips_selected.to_csv(\"tips_selected.csv\", index=False)\n\n```\n\nChecklist:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\ntips = pd.read_csv(url)\n\ntips.dtypes\n\ntips_selected = tips[[\"total_bill\", \"tip\"]]\n\ntips_selected.to_csv(\"tips_selected.csv\", index=False)\n\nKod Python:\n```python\ntips = pd.read_csv(url)\n\ntips.dtypes\n\ntips_selected = tips[[\"total_bill\", \"tip\"]]\n\ntips_selected.to_csv(\"tips_selected.csv\", index=False)\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "pozyskiwanie danych", "task_type": "md_exercise_solution", "source_file": "001_pozyskiwanie_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: podział danych i walidacja. Zadanie 7\n\nSprawdź accuracy modelu.", "input": "Materiał źródłowy:\n## Zadanie 7\n\nSprawdź accuracy modelu.\n\n### Rozwiązanie\n\n```python\nmodel.score(X_test, y_test)\n```\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nmodel.score(X_test, y_test)\n\nKod Python:\n```python\nmodel.score(X_test, y_test)\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "md_exercise_solution", "source_file": "005_podzial_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `KNN`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\ncomparison = pd.DataFrame({\n 'y_true': y_train.values,\n 'y_pred': predictions\n})\n\ncomparison.head(10)\n```", "input": "Materiał źródłowy:\nTemat: KNN\nPoprawny wzorzec pochodzi z materiału: 007_knn.md\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nBłąd jest typowy dla tematu `KNN`. Należy zastosować poprawną procedurę: wybierz cechy i etykietę; przeskaluj dane; przetestuj kilka wartości k.\n\nKod Python:\n```python\ncomparison = pd.DataFrame({\n 'y_true': y_test.values,\n 'y_pred': predictions\n})\n\ncomparison.head(10)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "code_repair", "source_file": "007_knn.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: podział danych i walidacja. Zadanie 1\n\n1. Wczytaj dataset.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź liczbę obserwacji.", "input": "Materiał źródłowy:\n## Zadanie 1\n\n1. Wczytaj dataset.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź liczbę obserwacji.\n\n### Rozwiązanie\n\n```python\ndf.head(10)\n\nlen(df)\n```\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\ndf.head(10)\n\nlen(df)\n\nKod Python:\n```python\ndf.head(10)\n\nlen(df)\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "md_exercise_solution", "source_file": "005_podzial_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: pozyskiwanie danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: pozyskiwanie danych. Zadanie 10\n\nDodaj trzeci dataset zawierający kolumnę `id` i `miasto`.\n\nPołącz wszystkie trzy.\nc = pd.DataFrame({\n \"id\": [1, 2, 3],\n \"miasto\": [\"Warszawa\", \"Kraków\", \"Gdańsk\"]\n})\n\nmerged = pd.merge(pd.merge(a, b, on=\"id\"), c, on=\"id\")\n\nmerged.head()", "input": "Materiał źródłowy:\n## Zadanie 10\n\nDodaj trzeci dataset zawierający kolumnę `id` i `miasto`.\n\nPołącz wszystkie trzy.\n```python\nc = pd.DataFrame({\n \"id\": [1, 2, 3],\n \"miasto\": [\"Warszawa\", \"Kraków\", \"Gdańsk\"]\n})\n\nmerged = pd.merge(pd.merge(a, b, on=\"id\"), c, on=\"id\")\n\nmerged.head()\n\n```\n\nChecklist:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nc = pd.DataFrame({\n \"id\": [1, 2, 3],\n \"miasto\": [\"Warszawa\", \"Kraków\", \"Gdańsk\"]\n})\n\nmerged = pd.merge(pd.merge(a, b, on=\"id\"), c, on=\"id\")\n\nmerged.head()\n\nKod Python:\n```python\nc = pd.DataFrame({\n \"id\": [1, 2, 3],\n \"miasto\": [\"Warszawa\", \"Kraków\", \"Gdańsk\"]\n})\n\nmerged = pd.merge(pd.merge(a, b, on=\"id\"), c, on=\"id\")\n\nmerged.head()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "pozyskiwanie danych", "task_type": "md_exercise_solution", "source_file": "001_pozyskiwanie_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: wizualizacja danych\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `korelacja` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nKorelacja (nawet bardzo wysoka)\nnie musi oznaczać, że jedno ze zjawisk jest przyczyną a drugie skutkiem.\n• Jeśli zmienne są silnie skorelowane to współczynniki mogą być niestabilne,\na ich interpretacja staje się trudna.\n• Jeśli zmienne przed budową modelu mają bardzo różne skale, to istnieje\nryzyko, że współczynniki będą istotne tylko dla tych cech, które mają\nwiększe wartości od pozostałych. W celu uniknięcia tego problemu zawsze\nprzed użyciem modelu regresji liniowej należy przeprowadzić normalizację\ndanych z wykorzystaniem skalowania lub standaryzacji.\n15/47\n\nChecklist:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nPojęcie `korelacja` zastosuj w obszarze `wizualizacja danych`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: dobierz wykres do typu zmiennej; sprawdź rozkłady, korelacje i klasy; opisz wnioski z wykresu.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.scatterplot(data=df, x='petal_length', y='petal_width', hue='species')\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "wizualizacja danych", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_05.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `Titanic` z cechami: age, fare, sex, class, embarked. Masz przygotuj dane z brakami i wartościami odstającymi przed klasyfikacją przeżycia. Podaj minimalne kroki i kod.", "input": "Materiał źródłowy:\nDataset: Titanic\nCel/target: survived\nCechy: age, fare, sex, class, embarked\nZadanie: przygotuj dane z brakami i wartościami odstającymi przed klasyfikacją przeżycia\nTemat z ćwiczeń: braki danych i outliery\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `braki danych i outliery`: policz braki isna().sum(); uzupełnij lub usuń braki świadomie; wykryj outliery metodą IQR albo boxplotem. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\ndf['age'] = df['age'].fillna(df['age'].median())\ndf['fare'] = df['fare'].fillna(df['fare'].median())\n\nq1 = df['fare'].quantile(0.25)\nq3 = df['fare'].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf['fare_winsor'] = df['fare'].clip(lower, upper)\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "exam_scenario", "source_file": "scenario::Titanic"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: PCA\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: PCA. Zadanie 2\nZredukuj dane do 3 wymiarów.", "input": "Materiał źródłowy:\n### Zadanie 2\nZredukuj dane do 3 wymiarów.\n\n### Rozwiazanie zadania 2\n\n```python\npca_3 = PCA(n_components=3)\nX_pca_3 = pca_3.fit_transform(X)\n\nX_pca_3.shape\n```\n\nChecklist:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów\n\nPułapki:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "output": "Plan:\npca_3 = PCA(n_components=3)\nX_pca_3 = pca_3.fit_transform(X)\n\nX_pca_3.shape\n\nKod Python:\n```python\npca_3 = PCA(n_components=3)\nX_pca_3 = pca_3.fit_transform(X)\n\nX_pca_3.shape\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "md_exercise_solution", "source_file": "012_pca.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: podział danych i walidacja. Zadanie 5\n\nPodziel dane w proporcji 70/30.", "input": "Materiał źródłowy:\n## Zadanie 5\n\nPodziel dane w proporcji 70/30.\n\n### Rozwiązanie\n\n```python\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)\n\nprint(len(X_train), len(X_test))\n```\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)\n\nprint(len(X_train), len(X_test))\n\nKod Python:\n```python\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)\n\nprint(len(X_train), len(X_test))\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "md_exercise_solution", "source_file": "005_podzial_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `KNN`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nX_train, X_train, y_train, y_train = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n```", "input": "Materiał źródłowy:\nTemat: KNN\nPoprawny wzorzec pochodzi z materiału: 007_knn.md\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nBłąd jest typowy dla tematu `KNN`. Należy zastosować poprawną procedurę: wybierz cechy i etykietę; przeskaluj dane; przetestuj kilka wartości k.\n\nKod Python:\n```python\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "code_repair", "source_file": "007_knn.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja liniowa\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `diabetes` z cechami: age, bmi, bp, s1, s2. Masz zbuduj model regresji i oceń błąd predykcji. Wyjaśnij, dlaczego te kroki są właściwe.", "input": "Materiał źródłowy:\nDataset: diabetes\nCel/target: disease_progression\nCechy: age, bmi, bp, s1, s2\nZadanie: zbuduj model regresji i oceń błąd predykcji\nTemat z ćwiczeń: regresja liniowa\n\nChecklist:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `regresja liniowa`: wybierz zmienną ciągłą jako y; podziel dane; oceń MSE, RMSE i R2. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "regresja liniowa", "task_type": "exam_scenario", "source_file": "scenario::diabetes"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: KNN. Zadanie 4\n\nUżyj k = 5.", "input": "Materiał źródłowy:\n## Zadanie 4\n\nUżyj k = 5.\n\n### Rozwiązanie\n\n```python\nmodel = KNeighborsClassifier(n_neighbors=5)\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nmodel = KNeighborsClassifier(n_neighbors=5)\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n\nKod Python:\n```python\nmodel = KNeighborsClassifier(n_neighbors=5)\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "md_exercise_solution", "source_file": "007_knn.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: PCA\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: PCA. Zadanie 5\nZnajdź minimalną liczbę komponentów dla 95% wariancji.", "input": "Materiał źródłowy:\n### Zadanie 5\nZnajdź minimalną liczbę komponentów dla 95% wariancji.\n\n### Rozwiazanie zadania 5\n\n```python\nmin_components_95 = np.argmax(cum_var >= 0.95) + 1\n\nmin_components_95\n```\n\nChecklist:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów\n\nPułapki:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "output": "Plan:\nmin_components_95 = np.argmax(cum_var >= 0.95) + 1\n\nmin_components_95\n\nKod Python:\n```python\nmin_components_95 = np.argmax(cum_var >= 0.95) + 1\n\nmin_components_95\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "md_exercise_solution", "source_file": "012_pca.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `penguins` z cechami: bill_length_mm, bill_depth_mm, body_mass_g, island, sex. Masz zbuduj preprocessing dla cech numerycznych i kategorycznych. Podaj także typowe błędy, których trzeba uniknąć.", "input": "Materiał źródłowy:\nDataset: penguins\nCel/target: species\nCechy: bill_length_mm, bill_depth_mm, body_mass_g, island, sex\nZadanie: zbuduj preprocessing dla cech numerycznych i kategorycznych\nTemat z ćwiczeń: normalizacja i kodowanie\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `normalizacja i kodowanie`: oddziel kolumny numeryczne i kategoryczne; skaluj cechy numeryczne; zakoduj kategorie bez data leakage. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = ['bill_length_mm', 'bill_depth_mm', 'body_mass_g']\ncat_cols = ['island', 'sex']\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_scenario", "source_file": "scenario::penguins"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: podział danych i walidacja. Zadanie 10\n\nPorównaj rozkład `petal_length` w train i test.", "input": "Materiał źródłowy:\n## Zadanie 10\n\nPorównaj rozkład `petal_length` w train i test.\n\n### Rozwiązanie\n\n```python\nplt.hist(X_train['petal_length'], alpha=0.5, label='train')\nplt.hist(X_test['petal_length'], alpha=0.5, label='test')\n\nplt.legend()\nplt.show()\n```\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nplt.hist(X_train['petal_length'], alpha=0.5, label='train')\nplt.hist(X_test['petal_length'], alpha=0.5, label='test')\n\nplt.legend()\nplt.show()\n\nKod Python:\n```python\nplt.hist(X_train['petal_length'], alpha=0.5, label='train')\nplt.hist(X_test['petal_length'], alpha=0.5, label='test')\n\nplt.legend()\nplt.show()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "md_exercise_solution", "source_file": "005_podzial_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: wizualizacja danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: wizualizacja danych. Zadanie 9\n\nSprawdź ile obserwacji jest w każdym gatunku.", "input": "Materiał źródłowy:\n## Zadanie 9\n\nSprawdź ile obserwacji jest w każdym gatunku.\n\n### Rozwiązanie\n\n```python\ndf['species'].value_counts()\n```\n\nChecklist:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\ndf['species'].value_counts()\n\nKod Python:\n```python\ndf['species'].value_counts()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "wizualizacja danych", "task_type": "md_exercise_solution", "source_file": "006_wizualizacja_ml.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja liniowa\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `regresja liniowa` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nRegresja liniowa\nRegresja liniowa - w modelowaniu statystycznym, jest to metoda oparta na\nliniowych kombinacjach zmiennych i parametrów dopasowujących model do\ndanych. Dopasowana linia lub krzywa regresji reprezentuje oszacowaną wartość\noczekiwaną zmiennej y przy konkretnych wartościach innej zmiennej lub\nzmiennych x. W najprostszym przypadku dopasowana jest stała lub funkcja\nliniowa, na przykład:\ny = β0 + β1x.\nZmienna y jest tradycyjnie nazywana zmienną objaśnianą lub zależną. Zmienne\nx nazywa się zmiennymi objaśniającymi lub niezależnymi. Zarówno zmienne\nobjaśniane i objaśniające mogą być wielkościami skalarnymi lub wektorami.\n9/47\n\nChecklist:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nPojęcie `regresja liniowa` zastosuj w obszarze `regresja liniowa`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: wybierz zmienną ciągłą jako y; podziel dane; oceń MSE, RMSE i R2.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "regresja liniowa", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_05.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: drzewa decyzyjne\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `iris` z cechami: sepal_length, sepal_width, petal_length, petal_width. Masz porównaj drzewa decyzyjne o różnych głębokościach. Podaj także typowe błędy, których trzeba uniknąć.", "input": "Materiał źródłowy:\nDataset: iris\nCel/target: species\nCechy: sepal_length, sepal_width, petal_length, petal_width\nZadanie: porównaj drzewa decyzyjne o różnych głębokościach\nTemat z ćwiczeń: drzewa decyzyjne\n\nChecklist:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `drzewa decyzyjne`: wytrenuj DecisionTreeClassifier; porównaj głębokości drzewa; sprawdź accuracy i ważność cech. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nresults\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "drzewa decyzyjne", "task_type": "exam_scenario", "source_file": "scenario::iris"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: klasteryzacja\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: klasteryzacja. Zadanie 3\nPorównaj wyniki dla random i k-means++.", "input": "Materiał źródłowy:\n### Zadanie 3\nPorównaj wyniki dla random i k-means++.\n\n### Rozwiazanie zadania 3\n\n```python\nprint(\"Random inertia:\", kmeans_random.inertia_)\nprint(\"K-means++ inertia:\", kmeans_pp.inertia_)\n\nplt.scatter(X[:, 0], X[:, 1], c=kmeans_random.labels_)\nplt.title(\"init=random\")\nplt.show()\n\nplt.scatter(X[:, 0], X[:, 1], c=kmeans_pp.labels_)\nplt.title(\"init=k-means++\")\nplt.show()\n```\n\nChecklist:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry\n\nPułapki:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "output": "Plan:\nprint(\"Random inertia:\", kmeans_random.inertia_)\nprint(\"K-means++ inertia:\", kmeans_pp.inertia_)\n\nplt.scatter(X[:, 0], X[:, 1], c=kmeans_random.labels_)\nplt.title(\"init=random\")\nplt.show()\n\nplt.scatter(X[:, 0], X[:, 1], c=kmeans_pp.labels_)\nplt.title(\"init=k-means++\")\nplt.show()\n\nKod Python:\n```python\nprint(\"Random inertia:\", kmeans_random.inertia_)\nprint(\"K-means++ inertia:\", kmeans_pp.inertia_)\n\nplt.scatter(X[:, 0], X[:, 1], c=kmeans_random.labels_)\nplt.title(\"init=random\")\nplt.show()\n\nplt.scatter(X[:, 0], X[:, 1], c=kmeans_pp.labels_)\nplt.title(\"init=k-means++\")\nplt.show()\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "md_exercise_solution", "source_file": "011_klastry.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: braki danych i outliery. Zadanie końcowe 12\n\nPrzygotuj pipeline czyszczenia danych:\n\n1. wczytanie danych\n2. analiza braków\n3. uzupełnienie braków\n4. wykrycie outlierów\n5. usunięcie lub winsoryzacja", "input": "Materiał źródłowy:\n## Zadanie końcowe 12\n\nPrzygotuj pipeline czyszczenia danych:\n\n1. wczytanie danych\n2. analiza braków\n3. uzupełnienie braków\n4. wykrycie outlierów\n5. usunięcie lub winsoryzacja\n\n### Rozwiązanie\n\n```python\ndf = pd.read_csv(url)\n\nmissing = df.isna().sum()\n\ndf['age'] = df['age'].fillna(df['age'].median())\ndf['fare'] = df['fare'].fillna(df['fare'].median())\n\nfare_q1 = df['fare'].quantile(0.25)\nfare_q3 = df['fare'].quantile(0.75)\nfare_iqr = fare_q3 - fare_q1\nlower = fare_q1 - 1.5 * fare_iqr\nupper = fare_q3 + 1.5 * fare_iqr\n\ndf_clean = df[(df['fare'] >= lower) & (df['fare'] <= upper)]\n\ndf_clean.head()\n```\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\ndf = pd.read_csv(url)\n\nmissing = df.isna().sum()\n\ndf['age'] = df['age'].fillna(df['age'].median())\ndf['fare'] = df['fare'].fillna(df['fare'].median())\n\nfare_q1 = df['fare'].quantile(0.25)\nfare_q3 = df['fare'].quantile(0.75)\nfare_iqr = fare_q3 - fare_q1\nlower = fare_q1 - 1.5 * fare_iqr\nupper = fare_q3 + 1.5 * fare_iqr\n\ndf_clean = df[(df['fare'] >= lower) & (df['fare'] <= upper)]\n\ndf_clean.head()\n\nKod Python:\n```python\ndf = pd.read_csv(url)\n\nmissing = df.isna().sum()\n\ndf['age'] = df['age'].fillna(df['age'].median())\ndf['fare'] = df['fare'].fillna(df['fare'].median())\n\nfare_q1 = df['fare'].quantile(0.25)\nfare_q3 = df['fare'].quantile(0.75)\nfare_iqr = fare_q3 - fare_q1\nlower = fare_q1 - 1.5 * fare_iqr\nupper = fare_q3 + 1.5 * fare_iqr\n\ndf_clean = df[(df['fare'] >= lower) & (df['fare'] <= upper)]\n\ndf_clean.head()\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "md_exercise_solution", "source_file": "002_braki_i_outliery.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `regresja logistyczna`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\ny_pred_l1 = model_l1.predict(X_train)\ny_pred_l2 = model_l2.predict(X_test)\n\naccuracy_score(y_train, y_pred_l1), accuracy_score(y_test, y_pred_l2)\n```", "input": "Materiał źródłowy:\nTemat: regresja logistyczna\nPoprawny wzorzec pochodzi z materiału: 010_regresja_logistyczna.md\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nBłąd jest typowy dla tematu `regresja logistyczna`. Należy zastosować poprawną procedurę: przygotuj klasy binarne; skaluj dane w pipeline; oceń accuracy, confusion matrix, precision i recall.\n\nKod Python:\n```python\ny_pred_l1 = model_l1.predict(X_test)\ny_pred_l2 = model_l2.predict(X_test)\n\naccuracy_score(y_test, y_pred_l1), accuracy_score(y_test, y_pred_l2)\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "code_repair", "source_file": "010_regresja_logistyczna.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `breast_cancer` z cechami: mean radius, mean texture, mean perimeter, mean area. Masz zbuduj klasyfikator binarny i oceń confusion matrix oraz precision/recall. Zaproponuj metrykę oceny i uzasadnij wybór.", "input": "Materiał źródłowy:\nDataset: breast_cancer\nCel/target: diagnosis\nCechy: mean radius, mean texture, mean perimeter, mean area\nZadanie: zbuduj klasyfikator binarny i oceń confusion matrix oraz precision/recall\nTemat z ćwiczeń: regresja logistyczna\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `regresja logistyczna`: przygotuj klasy binarne; skaluj dane w pipeline; oceń accuracy, confusion matrix, precision i recall. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "exam_scenario", "source_file": "scenario::breast_cancer"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: klasteryzacja\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `customers` z cechami: age, annual_income, spending_score. Masz wykonaj segmentację klientów metodą KMeans. Podaj także typowe błędy, których trzeba uniknąć.", "input": "Materiał źródłowy:\nDataset: customers\nCel/target: brak etykiety\nCechy: age, annual_income, spending_score\nZadanie: wykonaj segmentację klientów metodą KMeans\nTemat z ćwiczeń: klasteryzacja\n\nChecklist:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry\n\nPułapki:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `klasteryzacja`: przeskaluj dane; dobierz K metodą łokcia; zwizualizuj klastry i centroidy. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "exam_scenario", "source_file": "scenario::customers"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `missing` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nBraki (missing values) mogą znacząco pogorszyć jakość\nmodelu.\nBraki danych to wartości które:\n• nie zostały zapisane,\n• są nieznane,\n• występują jako NaN, None, puste pola.\nBraki danych (missing values) pojawiają się gdy:\n• dane nie zostały zebrane,\n• wystąpiły błędy w zbieraniu danych,\n• użytkownik nie podał informacji,\n• dane zostały utracone,\n• wystąpił problem z importem danych,\n• wystąpił błąd pomiaru.\n20/46\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\nPojęcie `missing` zastosuj w obszarze `braki danych i outliery`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: policz braki isna().sum(); uzupełnij lub usuń braki świadomie; wykryj outliery metodą IQR albo boxplotem.\n\nKod Python:\n```python\nmissing = df.isna().sum()\ndf['age'] = df['age'].fillna(df['age'].median())\ndf['fare'] = df['fare'].fillna(df['fare'].median())\n\nq1 = df['fare'].quantile(0.25)\nq3 = df['fare'].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf['fare_winsor'] = df['fare'].clip(lower, upper)\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_02.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: podział danych i walidacja. Zadanie 8\n\nPolicz średnią wartość accuracy.", "input": "Materiał źródłowy:\n## Zadanie 8\n\nPolicz średnią wartość accuracy.\n\n### Rozwiązanie\n\n```python\nscores.mean()\n```\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nscores.mean()\n\nKod Python:\n```python\nscores.mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "md_exercise_solution", "source_file": "005_podzial_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `regresja logistyczna`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nmodels = {\n 'L2 C=1.0': LogisticRegression(max_iter=10000, C=1.0),\n 'L2 C=0.1': LogisticRegression(max_iter=10000, C=0.1),\n 'L1': LogisticRegression(max_iter=10000, penalty='l1', solver='liblinear')\n}\n\nfor name, clf in models.items():\n clf.fit(X_train, y_train)\n y_prob = clf.predict_proba(X_train)[:, 1]\n fpr, tpr, _ = roc_curve(y_train, y_prob)\n roc_auc = auc(fpr, tpr)\n plt.plot(fpr, tpr, label=f\"{name} AUC={roc_auc:.2f}\")\n\nplt.xlabel(\"FPR\")\nplt.ylabel(\"TPR\")\nplt.legend()\nplt.show()\n```", "input": "Materiał źródłowy:\nTemat: regresja logistyczna\nPoprawny wzorzec pochodzi z materiału: 010_regresja_logistyczna.md\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nBłąd jest typowy dla tematu `regresja logistyczna`. Należy zastosować poprawną procedurę: przygotuj klasy binarne; skaluj dane w pipeline; oceń accuracy, confusion matrix, precision i recall.\n\nKod Python:\n```python\nmodels = {\n 'L2 C=1.0': LogisticRegression(max_iter=10000, C=1.0),\n 'L2 C=0.1': LogisticRegression(max_iter=10000, C=0.1),\n 'L1': LogisticRegression(max_iter=10000, penalty='l1', solver='liblinear')\n}\n\nfor name, clf in models.items():\n clf.fit(X_train, y_train)\n y_prob = clf.predict_proba(X_test)[:, 1]\n fpr, tpr, _ = roc_curve(y_test, y_prob)\n roc_auc = auc(fpr, tpr)\n plt.plot(fpr, tpr, label=f\"{name} AUC={roc_auc:.2f}\")\n\nplt.xlabel(\"FPR\")\nplt.ylabel(\"TPR\")\nplt.legend()\nplt.show()\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "code_repair", "source_file": "010_regresja_logistyczna.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `zbiór treningowy` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\n• Hold-out - prosty podział na zbiór treningowy i testowy , zwykle w proporcji\n70/30 lub 80/20. Szybka, ale podatna na losowość.\n• Kroswalidacja - dane dzielone są na k części, a model trenowany\ni testowany k razy , każdorazowo z inną częścią jako testową. Lepsze\nuśrednienie wyników.\n• Stratyfikowana walidacja- wariant kroswalidacji, który zachowuje\nproporcje klas w każdym foldzie, przydatny w klasyfikacji przy\nniezrównoważonym zbiorze danych.\n• Leave-One-Out (LOO) - skrajny przypadek kroswalidacji, gdzie każda próbka\nraz pełni rolę testową, pozostałe treningową. Bardzo dokładna metoda, ale\nkosztowna obliczeniowo.\n16/16\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nPojęcie `zbiór treningowy` zastosuj w obszarze `podział danych i walidacja`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: oddziel X i y; użyj train_test_split z random_state; oceń model na danych testowych lub przez cross-validation.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, stratify=y, random_state=42\n)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_03a.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: wizualizacja danych\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `iris` z cechami: sepal_length, petal_length, petal_width. Masz wykonaj EDA i wskaż zależności między cechami. Podaj także typowe błędy, których trzeba uniknąć.", "input": "Materiał źródłowy:\nDataset: iris\nCel/target: species\nCechy: sepal_length, petal_length, petal_width\nZadanie: wykonaj EDA i wskaż zależności między cechami\nTemat z ćwiczeń: wizualizacja danych\n\nChecklist:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `wizualizacja danych`: dobierz wykres do typu zmiennej; sprawdź rozkłady, korelacje i klasy; opisz wnioski z wykresu. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.scatterplot(data=df, x='petal_length', y='petal_width', hue='species')\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "wizualizacja danych", "task_type": "exam_scenario", "source_file": "scenario::iris"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: PCA\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: PCA. Zadanie 6\nZmień kolory lub dodaj legendę.", "input": "Materiał źródłowy:\n### Zadanie 6\nZmień kolory lub dodaj legendę.\n\n### Rozwiazanie zadania 6\n\n```python\nfor class_id, class_name in enumerate(data.target_names):\n plt.scatter(\n X_pca[y == class_id, 0],\n X_pca[y == class_id, 1],\n label=class_name\n )\n\nplt.title(\"PCA 2D z legenda\")\nplt.xlabel(\"PC1\")\nplt.ylabel(\"PC2\")\nplt.legend()\nplt.show()\n```\n\nChecklist:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów\n\nPułapki:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "output": "Plan:\nfor class_id, class_name in enumerate(data.target_names):\n plt.scatter(\n X_pca[y == class_id, 0],\n X_pca[y == class_id, 1],\n label=class_name\n )\n\nplt.title(\"PCA 2D z legenda\")\nplt.xlabel(\"PC1\")\nplt.ylabel(\"PC2\")\nplt.legend()\nplt.show()\n\nKod Python:\n```python\nfor class_id, class_name in enumerate(data.target_names):\n plt.scatter(\n X_pca[y == class_id, 0],\n X_pca[y == class_id, 1],\n label=class_name\n )\n\nplt.title(\"PCA 2D z legenda\")\nplt.xlabel(\"PC1\")\nplt.ylabel(\"PC2\")\nplt.legend()\nplt.show()\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "md_exercise_solution", "source_file": "012_pca.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `breast_cancer` z cechami: mean radius, mean texture, mean perimeter, mean area. Masz zbuduj klasyfikator binarny i oceń confusion matrix oraz precision/recall. Wyjaśnij, dlaczego te kroki są właściwe.", "input": "Materiał źródłowy:\nDataset: breast_cancer\nCel/target: diagnosis\nCechy: mean radius, mean texture, mean perimeter, mean area\nZadanie: zbuduj klasyfikator binarny i oceń confusion matrix oraz precision/recall\nTemat z ćwiczeń: regresja logistyczna\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `regresja logistyczna`: przygotuj klasy binarne; skaluj dane w pipeline; oceń accuracy, confusion matrix, precision i recall. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "exam_scenario", "source_file": "scenario::breast_cancer"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: drzewa decyzyjne\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `iris` z cechami: sepal_length, sepal_width, petal_length, petal_width. Masz porównaj drzewa decyzyjne o różnych głębokościach. Zaproponuj metrykę oceny i uzasadnij wybór.", "input": "Materiał źródłowy:\nDataset: iris\nCel/target: species\nCechy: sepal_length, sepal_width, petal_length, petal_width\nZadanie: porównaj drzewa decyzyjne o różnych głębokościach\nTemat z ćwiczeń: drzewa decyzyjne\n\nChecklist:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `drzewa decyzyjne`: wytrenuj DecisionTreeClassifier; porównaj głębokości drzewa; sprawdź accuracy i ważność cech. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nresults\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "drzewa decyzyjne", "task_type": "exam_scenario", "source_file": "scenario::iris"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `train_test_split` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LogisticRegression\nAs you can see, getting started with Poetry is very easy. We will return to using Poetry throughout \nthe book in order to give you examples that complement the knowledge of Conda that we will \ndevelop. Chapter 4, Packaging Up, will discuss this in detail and will show you how to get the \nmost out of Poetry.\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nPojęcie `train_test_split` zastosuj w obszarze `podział danych i walidacja`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: oddziel X i y; użyj train_test_split z random_state; oceń model na danych testowych lub przez cross-validation.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, stratify=y, random_state=42\n)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "lecture_concept_application", "source_file": "document_sources/Machine Learning Engineering with Python.txt"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `iris` z cechami: petal_length, petal_width, sepal_length, sepal_width. Masz dobierz k i oceń klasyfikator KNN. Wyjaśnij, dlaczego te kroki są właściwe.", "input": "Materiał źródłowy:\nDataset: iris\nCel/target: species\nCechy: petal_length, petal_width, sepal_length, sepal_width\nZadanie: dobierz k i oceń klasyfikator KNN\nTemat z ćwiczeń: KNN\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `KNN`: wybierz cechy i etykietę; przeskaluj dane; przetestuj kilka wartości k. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\n\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_scenario", "source_file": "scenario::iris"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: drzewa decyzyjne\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: drzewa decyzyjne. Zadanie 6\n\nPorównaj wyniki Gini i Entropy.", "input": "Materiał źródłowy:\n## Zadanie 6\n\nPorównaj wyniki Gini i Entropy.\n\n### Rozwiazanie\n\n```python\ngini_score = model_gini.score(X_test, y_test)\nentropy_score = model_entropy.score(X_test, y_test)\n\ngini_score, entropy_score\n```\n\nChecklist:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\ngini_score = model_gini.score(X_test, y_test)\nentropy_score = model_entropy.score(X_test, y_test)\n\ngini_score, entropy_score\n\nKod Python:\n```python\ngini_score = model_gini.score(X_test, y_test)\nentropy_score = model_entropy.score(X_test, y_test)\n\ngini_score, entropy_score\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "drzewa decyzyjne", "task_type": "md_exercise_solution", "source_file": "008_drzewa_decyzyjne.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: wizualizacja danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: wizualizacja danych. Zadanie 2\n\nNarysuj histogram dla kolumny `petal_length`.", "input": "Materiał źródłowy:\n## Zadanie 2\n\nNarysuj histogram dla kolumny `petal_length`.\n\n### Rozwiązanie\n\n```python\nplt.hist(df['petal_length'], bins=20)\n\nplt.title(\"Histogram petal_length\")\nplt.xlabel(\"petal_length\")\nplt.ylabel(\"count\")\n\nplt.show()\n```\n\nChecklist:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nplt.hist(df['petal_length'], bins=20)\n\nplt.title(\"Histogram petal_length\")\nplt.xlabel(\"petal_length\")\nplt.ylabel(\"count\")\n\nplt.show()\n\nKod Python:\n```python\nplt.hist(df['petal_length'], bins=20)\n\nplt.title(\"Histogram petal_length\")\nplt.xlabel(\"petal_length\")\nplt.ylabel(\"count\")\n\nplt.show()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "wizualizacja danych", "task_type": "md_exercise_solution", "source_file": "006_wizualizacja_ml.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `czułość` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\n• oś Y: TPR (True Positive Rate) = czułość / recall\nTPR = TP\nTP + FN\n• oś X: FPR (False Positive Rate) = odsetek fałszywych alarmów\nFPR = FP\nFP + TN\nModele klasyfikacji binarnej często zwracają prawdopodobieństwo. To znaczy\notrzymujemy wartości liczbowe, które musimy utożsamić z przynależnością do\nklas. Na przykład wynik 0, 8 to klasa zero, a 0, 2 to klasa jeden. Zadaniem\nużytkownika jest ustalenie progu decyzyjnego, czyli wartości liczbowej dla której\nzachodzi zmiana przypisania klas. Krzywa ROC pokazuje co się stanie, gdy\nzmieni się ten próg.\n32/39\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nPojęcie `czułość` zastosuj w obszarze `regresja logistyczna`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: przygotuj klasy binarne; skaluj dane w pipeline; oceń accuracy, confusion matrix, precision i recall.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_03b.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `penguins` z cechami: bill_length_mm, bill_depth_mm, body_mass_g, island, sex. Masz zbuduj preprocessing dla cech numerycznych i kategorycznych. Podaj minimalne kroki i kod.", "input": "Materiał źródłowy:\nDataset: penguins\nCel/target: species\nCechy: bill_length_mm, bill_depth_mm, body_mass_g, island, sex\nZadanie: zbuduj preprocessing dla cech numerycznych i kategorycznych\nTemat z ćwiczeń: normalizacja i kodowanie\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `normalizacja i kodowanie`: oddziel kolumny numeryczne i kategoryczne; skaluj cechy numeryczne; zakoduj kategorie bez data leakage. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = ['bill_length_mm', 'bill_depth_mm', 'body_mass_g']\ncat_cols = ['island', 'sex']\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_scenario", "source_file": "scenario::penguins"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `KNN`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nmodel = KNeighborsClassifier(n_neighbors=5)\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_train, y_train)\n```", "input": "Materiał źródłowy:\nTemat: KNN\nPoprawny wzorzec pochodzi z materiału: 007_knn.md\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nBłąd jest typowy dla tematu `KNN`. Należy zastosować poprawną procedurę: wybierz cechy i etykietę; przeskaluj dane; przetestuj kilka wartości k.\n\nKod Python:\n```python\nmodel = KNeighborsClassifier(n_neighbors=5)\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "code_repair", "source_file": "007_knn.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: braki danych i outliery. Zadanie 6\n\nUżyj metody `bfill` do uzupełnienia braków.", "input": "Materiał źródłowy:\n## Zadanie 6\n\nUżyj metody `bfill` do uzupełnienia braków.\n\n### Rozwiązanie\n\n```python\ndf_bfill = df.fillna(method='bfill')\n\ndf_bfill.head()\n```\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\ndf_bfill = df.fillna(method='bfill')\n\ndf_bfill.head()\n\nKod Python:\n```python\ndf_bfill = df.fillna(method='bfill')\n\ndf_bfill.head()\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "md_exercise_solution", "source_file": "002_braki_i_outliery.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: klasteryzacja\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: klasteryzacja. Zadanie 7\nDodaj własne oznaczenia centroidów.", "input": "Materiał źródłowy:\n### Zadanie 7\nDodaj własne oznaczenia centroidów.\n\n### Rozwiazanie zadania 7\n\n```python\nplt.scatter(X[:, 0], X[:, 1], c=labels)\nplt.scatter(\n kmeans.cluster_centers_[:, 0],\n kmeans.cluster_centers_[:, 1],\n color='red',\n marker='X',\n s=250,\n label='centroidy'\n)\nplt.legend()\nplt.title(\"Klastry z oznaczonymi centroidami\")\nplt.show()\n```\n\nChecklist:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry\n\nPułapki:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "output": "Plan:\nplt.scatter(X[:, 0], X[:, 1], c=labels)\nplt.scatter(\n kmeans.cluster_centers_[:, 0],\n kmeans.cluster_centers_[:, 1],\n color='red',\n marker='X',\n s=250,\n label='centroidy'\n)\nplt.legend()\nplt.title(\"Klastry z oznaczonymi centroidami\")\nplt.show()\n\nKod Python:\n```python\nplt.scatter(X[:, 0], X[:, 1], c=labels)\nplt.scatter(\n kmeans.cluster_centers_[:, 0],\n kmeans.cluster_centers_[:, 1],\n color='red',\n marker='X',\n s=250,\n label='centroidy'\n)\nplt.legend()\nplt.title(\"Klastry z oznaczonymi centroidami\")\nplt.show()\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "md_exercise_solution", "source_file": "011_klastry.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: wizualizacja danych\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `iris` z cechami: sepal_length, petal_length, petal_width. Masz wykonaj EDA i wskaż zależności między cechami. Napisz rozwiązanie odporne na data leakage.", "input": "Materiał źródłowy:\nDataset: iris\nCel/target: species\nCechy: sepal_length, petal_length, petal_width\nZadanie: wykonaj EDA i wskaż zależności między cechami\nTemat z ćwiczeń: wizualizacja danych\n\nChecklist:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `wizualizacja danych`: dobierz wykres do typu zmiennej; sprawdź rozkłady, korelacje i klasy; opisz wnioski z wykresu. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.scatterplot(data=df, x='petal_length', y='petal_width', hue='species')\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "wizualizacja danych", "task_type": "exam_scenario", "source_file": "scenario::iris"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `iris` z cechami: sepal_length, sepal_width, petal_length, petal_width. Masz podziel dane i sprawdź jakość klasyfikatora bez data leakage. Podaj także typowe błędy, których trzeba uniknąć.", "input": "Materiał źródłowy:\nDataset: iris\nCel/target: species\nCechy: sepal_length, sepal_width, petal_length, petal_width\nZadanie: podziel dane i sprawdź jakość klasyfikatora bez data leakage\nTemat z ćwiczeń: podział danych i walidacja\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `podział danych i walidacja`: oddziel X i y; użyj train_test_split z random_state; oceń model na danych testowych lub przez cross-validation. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, stratify=y, random_state=42\n)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_scenario", "source_file": "scenario::iris"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `penguins` z cechami: bill_length_mm, bill_depth_mm, body_mass_g, island, sex. Masz zbuduj preprocessing dla cech numerycznych i kategorycznych. Wyjaśnij, dlaczego te kroki są właściwe.", "input": "Materiał źródłowy:\nDataset: penguins\nCel/target: species\nCechy: bill_length_mm, bill_depth_mm, body_mass_g, island, sex\nZadanie: zbuduj preprocessing dla cech numerycznych i kategorycznych\nTemat z ćwiczeń: normalizacja i kodowanie\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `normalizacja i kodowanie`: oddziel kolumny numeryczne i kategoryczne; skaluj cechy numeryczne; zakoduj kategorie bez data leakage. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = ['bill_length_mm', 'bill_depth_mm', 'body_mass_g']\ncat_cols = ['island', 'sex']\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_scenario", "source_file": "scenario::penguins"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `macierz pomyłek` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\n• macierz pomyłek,\n• krzywa ROC,\n• diagramy .\n5/39\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nPojęcie `macierz pomyłek` zastosuj w obszarze `regresja logistyczna`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: przygotuj klasy binarne; skaluj dane w pipeline; oceń accuracy, confusion matrix, precision i recall.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_03b.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `precyzja` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nPrecyzja\nPrecyzja (precision) - to jedna z podstawowych miar oceny modelu\nw klasyfikacji, szczególnie ważna, gdy interesuje Cię jakość pozytywnych\npredykcji.\nPrecision = TP\nTP + FP\nPrecyzja odpowiada na pytanie ile spośród wszystkich przypadków, które model\nuznał za pozytywne, było rzeczywiście pozytywnych.\nZnaczenie wyników:\n• wysoka precyzja - model rzadko się myli, gdy mówi „tak”;\n• niska precyzja - model często daje fałszywe alarmy.\n39/45\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nPojęcie `precyzja` zastosuj w obszarze `regresja logistyczna`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: przygotuj klasy binarne; skaluj dane w pipeline; oceń accuracy, confusion matrix, precision i recall.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_04.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: braki danych i outliery. Zadanie 3\n\nPolicz procent braków dla wszystkich kolumn.", "input": "Materiał źródłowy:\n## Zadanie 3\n\nPolicz procent braków dla wszystkich kolumn.\n\n### Rozwiązanie\n\n```python\ndf.isna().mean() * 100\n```\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\ndf.isna().mean() * 100\n\nKod Python:\n```python\ndf.isna().mean() * 100\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "md_exercise_solution", "source_file": "002_braki_i_outliery.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: PCA\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `wine` z cechami: alcohol, malic_acid, ash, magnesium, flavanoids. Masz zredukuj wymiar danych i sprawdź zachowaną wariancję. Zaproponuj metrykę oceny i uzasadnij wybór.", "input": "Materiał źródłowy:\nDataset: wine\nCel/target: class\nCechy: alcohol, malic_acid, ash, magnesium, flavanoids\nZadanie: zredukuj wymiar danych i sprawdź zachowaną wariancję\nTemat z ćwiczeń: PCA\n\nChecklist:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów\n\nPułapki:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `PCA`: przeskaluj dane; dobierz liczbę komponentów; sprawdź explained_variance_ratio_. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\n\npca_final = PCA(n_components=n_components)\nX_pca = pca_final.fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_scenario", "source_file": "scenario::wine"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: PCA\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: PCA. Zadanie 3\nPorównaj PCA przed i po skalowaniu.", "input": "Materiał źródłowy:\n### Zadanie 3\nPorównaj PCA przed i po skalowaniu.\n\n### Rozwiazanie zadania 3\n\n```python\npca_raw = PCA(n_components=2)\nX_pca_raw = pca_raw.fit_transform(X)\n\npca_scaled = PCA(n_components=2)\nX_pca_scaled = pca_scaled.fit_transform(X_scaled)\n\npca_raw.explained_variance_ratio_, pca_scaled.explained_variance_ratio_\n```\n\nChecklist:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów\n\nPułapki:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "output": "Plan:\npca_raw = PCA(n_components=2)\nX_pca_raw = pca_raw.fit_transform(X)\n\npca_scaled = PCA(n_components=2)\nX_pca_scaled = pca_scaled.fit_transform(X_scaled)\n\npca_raw.explained_variance_ratio_, pca_scaled.explained_variance_ratio_\n\nKod Python:\n```python\npca_raw = PCA(n_components=2)\nX_pca_raw = pca_raw.fit_transform(X)\n\npca_scaled = PCA(n_components=2)\nX_pca_scaled = pca_scaled.fit_transform(X_scaled)\n\npca_raw.explained_variance_ratio_, pca_scaled.explained_variance_ratio_\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "md_exercise_solution", "source_file": "012_pca.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: regresja logistyczna. Zadanie 9\nPorównaj ROC dla różnych modeli.", "input": "Materiał źródłowy:\n### Zadanie 9\nPorównaj ROC dla różnych modeli.\n\n### Rozwiazanie zadania 9\n\n```python\nmodels = {\n 'L2 C=1.0': LogisticRegression(max_iter=10000, C=1.0),\n 'L2 C=0.1': LogisticRegression(max_iter=10000, C=0.1),\n 'L1': LogisticRegression(max_iter=10000, penalty='l1', solver='liblinear')\n}\n\nfor name, clf in models.items():\n clf.fit(X_train, y_train)\n y_prob = clf.predict_proba(X_test)[:, 1]\n fpr, tpr, _ = roc_curve(y_test, y_prob)\n roc_auc = auc(fpr, tpr)\n plt.plot(fpr, tpr, label=f\"{name} AUC={roc_auc:.2f}\")\n\nplt.xlabel(\"FPR\")\nplt.ylabel(\"TPR\")\nplt.legend()\nplt.show()\n```\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nmodels = {\n 'L2 C=1.0': LogisticRegression(max_iter=10000, C=1.0),\n 'L2 C=0.1': LogisticRegression(max_iter=10000, C=0.1),\n 'L1': LogisticRegression(max_iter=10000, penalty='l1', solver='liblinear')\n}\n\nfor name, clf in models.items():\n clf.fit(X_train, y_train)\n y_prob = clf.predict_proba(X_test)[:, 1]\n fpr, tpr, _ = roc_curve(y_test, y_prob)\n roc_auc = auc(fpr, tpr)\n plt.plot(fpr, tpr, label=f\"{name} AUC={roc_auc:.2f}\")\n\nplt.xlabel(\"FPR\")\nplt.ylabel(\"TPR\")\nplt.legend()\nplt.show()\n\nKod Python:\n```python\nmodels = {\n 'L2 C=1.0': LogisticRegression(max_iter=10000, C=1.0),\n 'L2 C=0.1': LogisticRegression(max_iter=10000, C=0.1),\n 'L1': LogisticRegression(max_iter=10000, penalty='l1', solver='liblinear')\n}\n\nfor name, clf in models.items():\n clf.fit(X_train, y_train)\n y_prob = clf.predict_proba(X_test)[:, 1]\n fpr, tpr, _ = roc_curve(y_test, y_prob)\n roc_auc = auc(fpr, tpr)\n plt.plot(fpr, tpr, label=f\"{name} AUC={roc_auc:.2f}\")\n\nplt.xlabel(\"FPR\")\nplt.ylabel(\"TPR\")\nplt.legend()\nplt.show()\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "md_exercise_solution", "source_file": "010_regresja_logistyczna.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: klasteryzacja\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: klasteryzacja. Zadanie 10\nZbuduj pipeline:\n- skalowanie\n- K-means\n- wybór K", "input": "Materiał źródłowy:\n### Zadanie 10\nZbuduj pipeline:\n- skalowanie\n- K-means\n- wybór K\n\n### Rozwiazanie zadania 10\n\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia_values = []\nK_range = range(1, 10)\n\nfor k in K_range:\n pipeline = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n pipeline.fit(X)\n inertia_values.append(pipeline.named_steps['kmeans'].inertia_)\n\nplt.plot(K_range, inertia_values, marker='o')\nplt.xlabel(\"K\")\nplt.ylabel(\"Inertia\")\nplt.title(\"Wybor K w pipeline\")\nplt.show()\n```\n\nChecklist:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry\n\nPułapki:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "output": "Plan:\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia_values = []\nK_range = range(1, 10)\n\nfor k in K_range:\n pipeline = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n pipeline.fit(X)\n inertia_values.append(pipeline.named_steps['kmeans'].inertia_)\n\nplt.plot(K_range, inertia_values, marker='o')\nplt.xlabel(\"K\")\nplt.ylabel(\"Inertia\")\nplt.title(\"Wybor K w pipeline\")\nplt.show()\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia_values = []\nK_range = range(1, 10)\n\nfor k in K_range:\n pipeline = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n pipeline.fit(X)\n inertia_values.append(pipeline.named_steps['kmeans'].inertia_)\n\nplt.plot(K_range, inertia_values, marker='o')\nplt.xlabel(\"K\")\nplt.ylabel(\"Inertia\")\nplt.title(\"Wybor K w pipeline\")\nplt.show()\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "md_exercise_solution", "source_file": "011_klastry.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `iris` z cechami: sepal_length, sepal_width, petal_length, petal_width. Masz podziel dane i sprawdź jakość klasyfikatora bez data leakage. Napisz rozwiązanie odporne na data leakage.", "input": "Materiał źródłowy:\nDataset: iris\nCel/target: species\nCechy: sepal_length, sepal_width, petal_length, petal_width\nZadanie: podziel dane i sprawdź jakość klasyfikatora bez data leakage\nTemat z ćwiczeń: podział danych i walidacja\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `podział danych i walidacja`: oddziel X i y; użyj train_test_split z random_state; oceń model na danych testowych lub przez cross-validation. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, stratify=y, random_state=42\n)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_scenario", "source_file": "scenario::iris"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja liniowa\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: regresja liniowa. Zadanie 8\nZmodyfikuj test_size i sprawdź wpływ na wynik.", "input": "Materiał źródłowy:\n### Zadanie 8\nZmodyfikuj test_size i sprawdź wpływ na wynik.\n\n### Rozwiazanie zadania 8\n\n```python\nfor test_size in [0.1, 0.2, 0.3, 0.4]:\n X_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=test_size,\n random_state=42\n )\n\n model = LinearRegression()\n model.fit(X_train, y_train)\n y_pred = model.predict(X_test)\n\n print(test_size, r2_score(y_test, y_pred))\n```\n\nChecklist:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nfor test_size in [0.1, 0.2, 0.3, 0.4]:\n X_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=test_size,\n random_state=42\n )\n\n model = LinearRegression()\n model.fit(X_train, y_train)\n y_pred = model.predict(X_test)\n\n print(test_size, r2_score(y_test, y_pred))\n\nKod Python:\n```python\nfor test_size in [0.1, 0.2, 0.3, 0.4]:\n X_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=test_size,\n random_state=42\n )\n\n model = LinearRegression()\n model.fit(X_train, y_train)\n y_pred = model.predict(X_test)\n\n print(test_size, r2_score(y_test, y_pred))\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "regresja liniowa", "task_type": "md_exercise_solution", "source_file": "009_regresja_liniowa.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: braki danych i outliery. Zadanie 1\n\n1. Wczytaj dataset Titanic.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź liczbę wierszy i kolumn.", "input": "Materiał źródłowy:\n## Zadanie 1\n\n1. Wczytaj dataset Titanic.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź liczbę wierszy i kolumn.\n\n### Rozwiązanie\n\n```python\ndf.head(10)\n\ndf.shape\n```\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\ndf.head(10)\n\ndf.shape\n\nKod Python:\n```python\ndf.head(10)\n\ndf.shape\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "md_exercise_solution", "source_file": "002_braki_i_outliery.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja liniowa\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: regresja liniowa. Zadanie 7\nSprawdź współczynniki dla każdej cechy.", "input": "Materiał źródłowy:\n### Zadanie 7\nSprawdź współczynniki dla każdej cechy.\n\n### Rozwiazanie zadania 7\n\n```python\nimport pandas as pd\n\ncoef_df = pd.DataFrame({\n 'feature': data.feature_names,\n 'coef': model.coef_\n})\n\ncoef_df\n```\n\nChecklist:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nimport pandas as pd\n\ncoef_df = pd.DataFrame({\n 'feature': data.feature_names,\n 'coef': model.coef_\n})\n\ncoef_df\n\nKod Python:\n```python\nimport pandas as pd\n\ncoef_df = pd.DataFrame({\n 'feature': data.feature_names,\n 'coef': model.coef_\n})\n\ncoef_df\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "regresja liniowa", "task_type": "md_exercise_solution", "source_file": "009_regresja_liniowa.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: drzewa decyzyjne\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: drzewa decyzyjne. Zadanie końcowe 12\n\nPorównaj trzy modele:\n\n- drzewo bez ograniczeń\n- drzewo max_depth = 3\n- drzewo max_depth = 5\n\nKtóry model działa najlepiej?", "input": "Materiał źródłowy:\n## Zadanie końcowe 12\n\nPorównaj trzy modele:\n\n- drzewo bez ograniczeń\n- drzewo max_depth = 3\n- drzewo max_depth = 5\n\nKtóry model działa najlepiej?\n\n### Rozwiazanie\n\n```python\nmodels = {\n 'bez ograniczen': DecisionTreeClassifier(max_depth=None, random_state=42),\n 'max_depth = 3': DecisionTreeClassifier(max_depth=3, random_state=42),\n 'max_depth = 5': DecisionTreeClassifier(max_depth=5, random_state=42)\n}\n\nresults = []\n\nfor name, tree_model in models.items():\n tree_model.fit(X_train, y_train)\n results.append({\n 'model': name,\n 'accuracy': tree_model.score(X_test, y_test)\n })\n\nresults_df = pd.DataFrame(results).sort_values('accuracy', ascending=False)\nresults_df\n```\n\nChecklist:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nmodels = {\n 'bez ograniczen': DecisionTreeClassifier(max_depth=None, random_state=42),\n 'max_depth = 3': DecisionTreeClassifier(max_depth=3, random_state=42),\n 'max_depth = 5': DecisionTreeClassifier(max_depth=5, random_state=42)\n}\n\nresults = []\n\nfor name, tree_model in models.items():\n tree_model.fit(X_train, y_train)\n results.append({\n 'model': name,\n 'accuracy': tree_model.score(X_test, y_test)\n })\n\nresults_df = pd.DataFrame(results).sort_values('accuracy', ascending=False)\nresults_df\n\nKod Python:\n```python\nmodels = {\n 'bez ograniczen': DecisionTreeClassifier(max_depth=None, random_state=42),\n 'max_depth = 3': DecisionTreeClassifier(max_depth=3, random_state=42),\n 'max_depth = 5': DecisionTreeClassifier(max_depth=5, random_state=42)\n}\n\nresults = []\n\nfor name, tree_model in models.items():\n tree_model.fit(X_train, y_train)\n results.append({\n 'model': name,\n 'accuracy': tree_model.score(X_test, y_test)\n })\n\nresults_df = pd.DataFrame(results).sort_values('accuracy', ascending=False)\nresults_df\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "drzewa decyzyjne", "task_type": "md_exercise_solution", "source_file": "008_drzewa_decyzyjne.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `regresja logistyczna`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nthreshold_model = LogisticRegression(max_iter=10000)\nthreshold_model.fit(X_train, y_train)\ny_prob = threshold_model.predict_proba(X_train)[:, 1]\n\nfor threshold in [0.3, 0.5, 0.7]:\n y_pred_threshold = (y_prob >= threshold).astype(int)\n print(\n threshold,\n precision_score(y_train, y_pred_threshold),\n recall_score(y_test, y_pred_threshold)\n )\n```", "input": "Materiał źródłowy:\nTemat: regresja logistyczna\nPoprawny wzorzec pochodzi z materiału: 010_regresja_logistyczna.md\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nBłąd jest typowy dla tematu `regresja logistyczna`. Należy zastosować poprawną procedurę: przygotuj klasy binarne; skaluj dane w pipeline; oceń accuracy, confusion matrix, precision i recall.\n\nKod Python:\n```python\nthreshold_model = LogisticRegression(max_iter=10000)\nthreshold_model.fit(X_train, y_train)\ny_prob = threshold_model.predict_proba(X_test)[:, 1]\n\nfor threshold in [0.3, 0.5, 0.7]:\n y_pred_threshold = (y_prob >= threshold).astype(int)\n print(\n threshold,\n precision_score(y_test, y_pred_threshold),\n recall_score(y_test, y_pred_threshold)\n )\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "code_repair", "source_file": "010_regresja_logistyczna.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `braki danych i outliery`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\ndf = pd.read_csv(url)\n\ndf.isna().sum()\n\ndf['age_filled'] = df['age'].fillna(df['age'].mean())\n\nfare_q1 = df['fare'].quantile(0.25)\nfare_q3 = df['fare'].quantile(0.75)\nfare_iqr = fare_q3 - fare_q1\n\nfare_outliers = df[(df['fare'] < fare_q1 - 1.5 * fare_iqr) | (df['fare'] > fare_q3 + 1.5 * fare_iqr)]\n\nfare_outliers.head()\n```", "input": "Materiał źródłowy:\nTemat: braki danych i outliery\nPoprawny wzorzec pochodzi z materiału: 002_braki_i_outliery.md\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\nBłąd jest typowy dla tematu `braki danych i outliery`. Należy zastosować poprawną procedurę: policz braki isna().sum(); uzupełnij lub usuń braki świadomie; wykryj outliery metodą IQR albo boxplotem.\n\nKod Python:\n```python\ndf = pd.read_csv(url)\n\ndf.isna().sum()\n\ndf['age_filled'] = df['age'].fillna(df['age'].median())\n\nfare_q1 = df['fare'].quantile(0.25)\nfare_q3 = df['fare'].quantile(0.75)\nfare_iqr = fare_q3 - fare_q1\n\nfare_outliers = df[(df['fare'] < fare_q1 - 1.5 * fare_iqr) | (df['fare'] > fare_q3 + 1.5 * fare_iqr)]\n\nfare_outliers.head()\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "code_repair", "source_file": "002_braki_i_outliery.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: wizualizacja danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: wizualizacja danych. Zadanie 5\n\nNarysuj scatter plot:\n\n`petal_width` vs `petal_length` z kolorami gatunków.", "input": "Materiał źródłowy:\n## Zadanie 5\n\nNarysuj scatter plot:\n\n`petal_width` vs `petal_length` z kolorami gatunków.\n\n### Rozwiązanie\n\n```python\nsns.scatterplot(\n data=df,\n x='petal_width',\n y='petal_length',\n hue='species'\n)\n```\n\nChecklist:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nsns.scatterplot(\n data=df,\n x='petal_width',\n y='petal_length',\n hue='species'\n)\n\nKod Python:\n```python\nsns.scatterplot(\n data=df,\n x='petal_width',\n y='petal_length',\n hue='species'\n)\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "wizualizacja danych", "task_type": "md_exercise_solution", "source_file": "006_wizualizacja_ml.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `breast_cancer` z cechami: mean radius, mean texture, mean perimeter, mean area. Masz zbuduj klasyfikator binarny i oceń confusion matrix oraz precision/recall. Podaj także typowe błędy, których trzeba uniknąć.", "input": "Materiał źródłowy:\nDataset: breast_cancer\nCel/target: diagnosis\nCechy: mean radius, mean texture, mean perimeter, mean area\nZadanie: zbuduj klasyfikator binarny i oceń confusion matrix oraz precision/recall\nTemat z ćwiczeń: regresja logistyczna\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `regresja logistyczna`: przygotuj klasy binarne; skaluj dane w pipeline; oceń accuracy, confusion matrix, precision i recall. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "exam_scenario", "source_file": "scenario::breast_cancer"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: drzewa decyzyjne\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: drzewa decyzyjne. Zadanie 4\n\nWytrenuj model i sprawdź accuracy.", "input": "Materiał źródłowy:\n## Zadanie 4\n\nWytrenuj model i sprawdź accuracy.\n\n### Rozwiazanie\n\n```python\nmodel = DecisionTreeClassifier(random_state=42)\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```\n\nChecklist:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nmodel = DecisionTreeClassifier(random_state=42)\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n\nKod Python:\n```python\nmodel = DecisionTreeClassifier(random_state=42)\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "drzewa decyzyjne", "task_type": "md_exercise_solution", "source_file": "008_drzewa_decyzyjne.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: braki danych i outliery. Zadanie 7\n\nNarysuj boxplot dla kolumny `age`.", "input": "Materiał źródłowy:\n## Zadanie 7\n\nNarysuj boxplot dla kolumny `age`.\n\n### Rozwiązanie\n\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\nsns.boxplot(x=df['age'])\n\nplt.show()\n```\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\nsns.boxplot(x=df['age'])\n\nplt.show()\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\nsns.boxplot(x=df['age'])\n\nplt.show()\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "md_exercise_solution", "source_file": "002_braki_i_outliery.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: drzewa decyzyjne\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: drzewa decyzyjne. Zadanie 5\n\nPorównaj wynik z poprzednim modelem.", "input": "Materiał źródłowy:\n## Zadanie 5\n\nPorównaj wynik z poprzednim modelem.\n\n### Rozwiazanie\n\n```python\nmodel_score = model.score(X_test, y_test)\ngini_score = model_gini.score(X_test, y_test)\n\nmodel_score, gini_score\n```\n\nChecklist:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nmodel_score = model.score(X_test, y_test)\ngini_score = model_gini.score(X_test, y_test)\n\nmodel_score, gini_score\n\nKod Python:\n```python\nmodel_score = model.score(X_test, y_test)\ngini_score = model_gini.score(X_test, y_test)\n\nmodel_score, gini_score\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "drzewa decyzyjne", "task_type": "md_exercise_solution", "source_file": "008_drzewa_decyzyjne.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: drzewa decyzyjne\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: drzewa decyzyjne. Zadanie 11\n\n1. Wczytaj dataset\n2. Podziel dane na train/test\n3. Naucz model drzewa\n4. Sprawdź accuracy", "input": "Materiał źródłowy:\n## Zadanie 11\n\n1. Wczytaj dataset\n2. Podziel dane na train/test\n3. Naucz model drzewa\n4. Sprawdź accuracy\n\n### Rozwiazanie\n\n```python\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.2,\n random_state=42\n)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```\n\nChecklist:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.2,\n random_state=42\n)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n\nKod Python:\n```python\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.2,\n random_state=42\n)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "drzewa decyzyjne", "task_type": "md_exercise_solution", "source_file": "008_drzewa_decyzyjne.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `iris` z cechami: sepal_length, sepal_width, petal_length, petal_width. Masz podziel dane i sprawdź jakość klasyfikatora bez data leakage. Podaj minimalne kroki i kod.", "input": "Materiał źródłowy:\nDataset: iris\nCel/target: species\nCechy: sepal_length, sepal_width, petal_length, petal_width\nZadanie: podziel dane i sprawdź jakość klasyfikatora bez data leakage\nTemat z ćwiczeń: podział danych i walidacja\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `podział danych i walidacja`: oddziel X i y; użyj train_test_split z random_state; oceń model na danych testowych lub przez cross-validation. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, stratify=y, random_state=42\n)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_scenario", "source_file": "scenario::iris"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: KNN. Zadanie 7\n\nZwiększ zakres k do 30.", "input": "Materiał źródłowy:\n## Zadanie 7\n\nZwiększ zakres k do 30.\n\n### Rozwiązanie\n\n```python\nscores_30 = []\n\nfor k in range(1, 31):\n model = KNeighborsClassifier(n_neighbors=k)\n model.fit(X_train, y_train)\n pred = model.predict(X_test)\n scores_30.append(accuracy_score(y_test, pred))\n\nplt.plot(range(1, 31), scores_30)\nplt.xlabel(\"k\")\nplt.ylabel(\"accuracy\")\nplt.show()\n```\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nscores_30 = []\n\nfor k in range(1, 31):\n model = KNeighborsClassifier(n_neighbors=k)\n model.fit(X_train, y_train)\n pred = model.predict(X_test)\n scores_30.append(accuracy_score(y_test, pred))\n\nplt.plot(range(1, 31), scores_30)\nplt.xlabel(\"k\")\nplt.ylabel(\"accuracy\")\nplt.show()\n\nKod Python:\n```python\nscores_30 = []\n\nfor k in range(1, 31):\n model = KNeighborsClassifier(n_neighbors=k)\n model.fit(X_train, y_train)\n pred = model.predict(X_test)\n scores_30.append(accuracy_score(y_test, pred))\n\nplt.plot(range(1, 31), scores_30)\nplt.xlabel(\"k\")\nplt.ylabel(\"accuracy\")\nplt.show()\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "md_exercise_solution", "source_file": "007_knn.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: wizualizacja danych\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `iris` z cechami: sepal_length, petal_length, petal_width. Masz wykonaj EDA i wskaż zależności między cechami. Wyjaśnij, dlaczego te kroki są właściwe.", "input": "Materiał źródłowy:\nDataset: iris\nCel/target: species\nCechy: sepal_length, petal_length, petal_width\nZadanie: wykonaj EDA i wskaż zależności między cechami\nTemat z ćwiczeń: wizualizacja danych\n\nChecklist:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `wizualizacja danych`: dobierz wykres do typu zmiennej; sprawdź rozkłady, korelacje i klasy; opisz wnioski z wykresu. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.scatterplot(data=df, x='petal_length', y='petal_width', hue='species')\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "wizualizacja danych", "task_type": "exam_scenario", "source_file": "scenario::iris"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: braki danych i outliery. Zadanie 11.\n\n1. Wczytaj dataset Titanic\n2. Sprawdź braki danych\n3. Uzupełnij kolumnę age medianą\n4. Znajdź outliery w kolumnie fare", "input": "Materiał źródłowy:\n## Zadanie 11.\n\n1. Wczytaj dataset Titanic\n2. Sprawdź braki danych\n3. Uzupełnij kolumnę age medianą\n4. Znajdź outliery w kolumnie fare\n\n### Rozwiązanie\n\n```python\ndf = pd.read_csv(url)\n\ndf.isna().sum()\n\ndf['age_filled'] = df['age'].fillna(df['age'].median())\n\nfare_q1 = df['fare'].quantile(0.25)\nfare_q3 = df['fare'].quantile(0.75)\nfare_iqr = fare_q3 - fare_q1\n\nfare_outliers = df[(df['fare'] < fare_q1 - 1.5 * fare_iqr) | (df['fare'] > fare_q3 + 1.5 * fare_iqr)]\n\nfare_outliers.head()\n```\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\ndf = pd.read_csv(url)\n\ndf.isna().sum()\n\ndf['age_filled'] = df['age'].fillna(df['age'].median())\n\nfare_q1 = df['fare'].quantile(0.25)\nfare_q3 = df['fare'].quantile(0.75)\nfare_iqr = fare_q3 - fare_q1\n\nfare_outliers = df[(df['fare'] < fare_q1 - 1.5 * fare_iqr) | (df['fare'] > fare_q3 + 1.5 * fare_iqr)]\n\nfare_outliers.head()\n\nKod Python:\n```python\ndf = pd.read_csv(url)\n\ndf.isna().sum()\n\ndf['age_filled'] = df['age'].fillna(df['age'].median())\n\nfare_q1 = df['fare'].quantile(0.25)\nfare_q3 = df['fare'].quantile(0.75)\nfare_iqr = fare_q3 - fare_q1\n\nfare_outliers = df[(df['fare'] < fare_q1 - 1.5 * fare_iqr) | (df['fare'] > fare_q3 + 1.5 * fare_iqr)]\n\nfare_outliers.head()\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "md_exercise_solution", "source_file": "002_braki_i_outliery.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `braki danych i outliery`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\ndf = pd.read_csv(url)\n\nmissing = df.isna().sum()\n\ndf['age'] = df['age'].fillna(df['age'].mean())\ndf['fare'] = df['fare'].fillna(df['fare'].mean())\n\nfare_q1 = df['fare'].quantile(0.25)\nfare_q3 = df['fare'].quantile(0.75)\nfare_iqr = fare_q3 - fare_q1\nlower = fare_q1 - 1.5 * fare_iqr\nupper = fare_q3 + 1.5 * fare_iqr\n\ndf_clean = df[(df['fare'] >= lower) & (df['fare'] <= upper)]\n\ndf_clean.head()\n```", "input": "Materiał źródłowy:\nTemat: braki danych i outliery\nPoprawny wzorzec pochodzi z materiału: 002_braki_i_outliery.md\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\nBłąd jest typowy dla tematu `braki danych i outliery`. Należy zastosować poprawną procedurę: policz braki isna().sum(); uzupełnij lub usuń braki świadomie; wykryj outliery metodą IQR albo boxplotem.\n\nKod Python:\n```python\ndf = pd.read_csv(url)\n\nmissing = df.isna().sum()\n\ndf['age'] = df['age'].fillna(df['age'].median())\ndf['fare'] = df['fare'].fillna(df['fare'].median())\n\nfare_q1 = df['fare'].quantile(0.25)\nfare_q3 = df['fare'].quantile(0.75)\nfare_iqr = fare_q3 - fare_q1\nlower = fare_q1 - 1.5 * fare_iqr\nupper = fare_q3 + 1.5 * fare_iqr\n\ndf_clean = df[(df['fare'] >= lower) & (df['fare'] <= upper)]\n\ndf_clean.head()\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "code_repair", "source_file": "002_braki_i_outliery.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: normalizacja i kodowanie. Zadanie 3\n\nZnormalizuj kolumnę `body_mass_g`.", "input": "Materiał źródłowy:\n## Zadanie 3\n\nZnormalizuj kolumnę `body_mass_g`.\n\n### Rozwiązanie\n\n```python\nfrom sklearn.preprocessing import MinMaxScaler\n\nscaler = MinMaxScaler()\n\ndf[['body_mass_g_norm']] = scaler.fit_transform(df[['body_mass_g']])\n\ndf[['body_mass_g', 'body_mass_g_norm']].head()\n```\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\nfrom sklearn.preprocessing import MinMaxScaler\n\nscaler = MinMaxScaler()\n\ndf[['body_mass_g_norm']] = scaler.fit_transform(df[['body_mass_g']])\n\ndf[['body_mass_g', 'body_mass_g_norm']].head()\n\nKod Python:\n```python\nfrom sklearn.preprocessing import MinMaxScaler\n\nscaler = MinMaxScaler()\n\ndf[['body_mass_g_norm']] = scaler.fit_transform(df[['body_mass_g']])\n\ndf[['body_mass_g', 'body_mass_g_norm']].head()\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "md_exercise_solution", "source_file": "003_normalizacja_kodowanie.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: klasteryzacja\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: klasteryzacja. Zadanie 4\nSprawdź inertia dla różnych K.", "input": "Materiał źródłowy:\n### Zadanie 4\nSprawdź inertia dla różnych K.\n\n### Rozwiazanie zadania 4\n\n```python\nfor k in range(1, 8):\n km = KMeans(n_clusters=k, random_state=42)\n km.fit(X)\n print(k, km.inertia_)\n```\n\nChecklist:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry\n\nPułapki:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "output": "Plan:\nfor k in range(1, 8):\n km = KMeans(n_clusters=k, random_state=42)\n km.fit(X)\n print(k, km.inertia_)\n\nKod Python:\n```python\nfor k in range(1, 8):\n km = KMeans(n_clusters=k, random_state=42)\n km.fit(X)\n print(k, km.inertia_)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "md_exercise_solution", "source_file": "011_klastry.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: PCA\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `analiza głównych składowych` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\n• PCA - analiza głównych składowych (principal component analysis)\n• LDA - liniowa analiza dyskryminacyjna (linear discriminant\nanalysis)\n• jądrowa analiza głównych składowych\n17/33\n\nChecklist:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów\n\nPułapki:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "output": "Plan:\nPojęcie `analiza głównych składowych` zastosuj w obszarze `PCA`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: przeskaluj dane; dobierz liczbę komponentów; sprawdź explained_variance_ratio_.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\n\npca_final = PCA(n_components=n_components)\nX_pca = pca_final.fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_01.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: drzewa decyzyjne\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `iris` z cechami: sepal_length, sepal_width, petal_length, petal_width. Masz porównaj drzewa decyzyjne o różnych głębokościach. Podaj minimalne kroki i kod.", "input": "Materiał źródłowy:\nDataset: iris\nCel/target: species\nCechy: sepal_length, sepal_width, petal_length, petal_width\nZadanie: porównaj drzewa decyzyjne o różnych głębokościach\nTemat z ćwiczeń: drzewa decyzyjne\n\nChecklist:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `drzewa decyzyjne`: wytrenuj DecisionTreeClassifier; porównaj głębokości drzewa; sprawdź accuracy i ważność cech. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nresults\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "drzewa decyzyjne", "task_type": "exam_scenario", "source_file": "scenario::iris"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `iris` z cechami: petal_length, petal_width, sepal_length, sepal_width. Masz dobierz k i oceń klasyfikator KNN. Podaj minimalne kroki i kod.", "input": "Materiał źródłowy:\nDataset: iris\nCel/target: species\nCechy: petal_length, petal_width, sepal_length, sepal_width\nZadanie: dobierz k i oceń klasyfikator KNN\nTemat z ćwiczeń: KNN\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `KNN`: wybierz cechy i etykietę; przeskaluj dane; przetestuj kilka wartości k. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\n\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_scenario", "source_file": "scenario::iris"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: wizualizacja danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: wizualizacja danych. Zadanie 7\n\nSprawdź które zmienne mają najwyższą korelację.", "input": "Materiał źródłowy:\n## Zadanie 7\n\nSprawdź które zmienne mają najwyższą korelację.\n\n### Rozwiązanie\n\n```python\ncorr.abs().sort_values(by=corr.columns[0], ascending=False)\n```\n\nChecklist:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\ncorr.abs().sort_values(by=corr.columns[0], ascending=False)\n\nKod Python:\n```python\ncorr.abs().sort_values(by=corr.columns[0], ascending=False)\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "wizualizacja danych", "task_type": "md_exercise_solution", "source_file": "006_wizualizacja_ml.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: KNN. Zadanie 9\n\nZmień k na 1 i zobacz jak zmieni się granica decyzyjna.", "input": "Materiał źródłowy:\n## Zadanie 9\n\nZmień k na 1 i zobacz jak zmieni się granica decyzyjna.\n\n### Rozwiązanie\n\n```python\nmodel = KNeighborsClassifier(n_neighbors=1)\nmodel.fit(X, y_encoded)\n\nZ = model.predict(np.c_[xx.ravel(), yy.ravel()])\nZ = Z.reshape(xx.shape)\n\nplt.contourf(xx, yy, Z, alpha=0.3)\nsns.scatterplot(x=X.iloc[:,0], y=X.iloc[:,1], hue=y)\nplt.show()\n```\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nmodel = KNeighborsClassifier(n_neighbors=1)\nmodel.fit(X, y_encoded)\n\nZ = model.predict(np.c_[xx.ravel(), yy.ravel()])\nZ = Z.reshape(xx.shape)\n\nplt.contourf(xx, yy, Z, alpha=0.3)\nsns.scatterplot(x=X.iloc[:,0], y=X.iloc[:,1], hue=y)\nplt.show()\n\nKod Python:\n```python\nmodel = KNeighborsClassifier(n_neighbors=1)\nmodel.fit(X, y_encoded)\n\nZ = model.predict(np.c_[xx.ravel(), yy.ravel()])\nZ = Z.reshape(xx.shape)\n\nplt.contourf(xx, yy, Z, alpha=0.3)\nsns.scatterplot(x=X.iloc[:,0], y=X.iloc[:,1], hue=y)\nplt.show()\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "md_exercise_solution", "source_file": "007_knn.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: wizualizacja danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: wizualizacja danych. Zadanie 6\n\nUruchom pairplot bez rozróżnienia kolorów.", "input": "Materiał źródłowy:\n## Zadanie 6\n\nUruchom pairplot bez rozróżnienia kolorów.\n\n### Rozwiązanie\n\n```python\nsns.pairplot(df)\n```\n\nChecklist:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nsns.pairplot(df)\n\nKod Python:\n```python\nsns.pairplot(df)\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "wizualizacja danych", "task_type": "md_exercise_solution", "source_file": "006_wizualizacja_ml.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `breast_cancer` z cechami: mean radius, mean texture, mean perimeter, mean area. Masz zbuduj klasyfikator binarny i oceń confusion matrix oraz precision/recall. Podaj minimalne kroki i kod.", "input": "Materiał źródłowy:\nDataset: breast_cancer\nCel/target: diagnosis\nCechy: mean radius, mean texture, mean perimeter, mean area\nZadanie: zbuduj klasyfikator binarny i oceń confusion matrix oraz precision/recall\nTemat z ćwiczeń: regresja logistyczna\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `regresja logistyczna`: przygotuj klasy binarne; skaluj dane w pipeline; oceń accuracy, confusion matrix, precision i recall. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "exam_scenario", "source_file": "scenario::breast_cancer"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: drzewa decyzyjne\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `iris` z cechami: sepal_length, sepal_width, petal_length, petal_width. Masz porównaj drzewa decyzyjne o różnych głębokościach. Wyjaśnij, dlaczego te kroki są właściwe.", "input": "Materiał źródłowy:\nDataset: iris\nCel/target: species\nCechy: sepal_length, sepal_width, petal_length, petal_width\nZadanie: porównaj drzewa decyzyjne o różnych głębokościach\nTemat z ćwiczeń: drzewa decyzyjne\n\nChecklist:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `drzewa decyzyjne`: wytrenuj DecisionTreeClassifier; porównaj głębokości drzewa; sprawdź accuracy i ważność cech. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nresults\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "drzewa decyzyjne", "task_type": "exam_scenario", "source_file": "scenario::iris"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `Titanic` z cechami: age, fare, sex, class, embarked. Masz przygotuj dane z brakami i wartościami odstającymi przed klasyfikacją przeżycia. Wyjaśnij, dlaczego te kroki są właściwe.", "input": "Materiał źródłowy:\nDataset: Titanic\nCel/target: survived\nCechy: age, fare, sex, class, embarked\nZadanie: przygotuj dane z brakami i wartościami odstającymi przed klasyfikacją przeżycia\nTemat z ćwiczeń: braki danych i outliery\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `braki danych i outliery`: policz braki isna().sum(); uzupełnij lub usuń braki świadomie; wykryj outliery metodą IQR albo boxplotem. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\ndf['age'] = df['age'].fillna(df['age'].median())\ndf['fare'] = df['fare'].fillna(df['fare'].median())\n\nq1 = df['fare'].quantile(0.25)\nq3 = df['fare'].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf['fare_winsor'] = df['fare'].clip(lower, upper)\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "exam_scenario", "source_file": "scenario::Titanic"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja liniowa\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `regresja liniowa`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nfor test_size in [0.1, 0.2, 0.3, 0.4]:\n X_train, X_train, y_train, y_train = train_test_split(\n X, y,\n test_size=test_size,\n random_state=42\n )\n\n model = LinearRegression()\n model.fit(X_train, y_train)\n y_pred = model.predict(X_test)\n\n print(test_size, r2_score(y_test, y_pred))\n```", "input": "Materiał źródłowy:\nTemat: regresja liniowa\nPoprawny wzorzec pochodzi z materiału: 009_regresja_liniowa.md\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nBłąd jest typowy dla tematu `regresja liniowa`. Należy zastosować poprawną procedurę: wybierz zmienną ciągłą jako y; podziel dane; oceń MSE, RMSE i R2.\n\nKod Python:\n```python\nfor test_size in [0.1, 0.2, 0.3, 0.4]:\n X_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=test_size,\n random_state=42\n )\n\n model = LinearRegression()\n model.fit(X_train, y_train)\n y_pred = model.predict(X_test)\n\n print(test_size, r2_score(y_test, y_pred))\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "regresja liniowa", "task_type": "code_repair", "source_file": "009_regresja_liniowa.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: wizualizacja danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: wizualizacja danych. Zadanie 4\n\nNarysuj scatter plot:\n\n`sepal_width` vs `petal_width`.", "input": "Materiał źródłowy:\n## Zadanie 4\n\nNarysuj scatter plot:\n\n`sepal_width` vs `petal_width`.\n\n### Rozwiązanie\n\n```python\nplt.scatter(df['sepal_width'], df['petal_width'])\n\nplt.xlabel(\"sepal_width\")\nplt.ylabel(\"petal_width\")\n\nplt.show()\n```\n\nChecklist:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nplt.scatter(df['sepal_width'], df['petal_width'])\n\nplt.xlabel(\"sepal_width\")\nplt.ylabel(\"petal_width\")\n\nplt.show()\n\nKod Python:\n```python\nplt.scatter(df['sepal_width'], df['petal_width'])\n\nplt.xlabel(\"sepal_width\")\nplt.ylabel(\"petal_width\")\n\nplt.show()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "wizualizacja danych", "task_type": "md_exercise_solution", "source_file": "006_wizualizacja_ml.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: pozyskiwanie danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: pozyskiwanie danych. Zadanie 5\n\n1. Zapisz dataset do Excela.\n2. Wczytaj go ponownie.\n3. Sprawdź rozmiar datasetu.\ndf.to_excel(\"dataset.xlsx\", index=False)\n\ndataset_excel = pd.read_excel(\"dataset.xlsx\")\n\ndataset_excel.shape", "input": "Materiał źródłowy:\n## Zadanie 5\n\n1. Zapisz dataset do Excela.\n2. Wczytaj go ponownie.\n3. Sprawdź rozmiar datasetu.\n```python\ndf.to_excel(\"dataset.xlsx\", index=False)\n\ndataset_excel = pd.read_excel(\"dataset.xlsx\")\n\ndataset_excel.shape\n\n```\n\nChecklist:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\ndf.to_excel(\"dataset.xlsx\", index=False)\n\ndataset_excel = pd.read_excel(\"dataset.xlsx\")\n\ndataset_excel.shape\n\nKod Python:\n```python\ndf.to_excel(\"dataset.xlsx\", index=False)\n\ndataset_excel = pd.read_excel(\"dataset.xlsx\")\n\ndataset_excel.shape\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "pozyskiwanie danych", "task_type": "md_exercise_solution", "source_file": "001_pozyskiwanie_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: podział danych i walidacja. Zadanie 2\n\nSprawdź rozmiar X i y.", "input": "Materiał źródłowy:\n## Zadanie 2\n\nSprawdź rozmiar X i y.\n\n### Rozwiązanie\n\n```python\nX.shape\n\ny.shape\n```\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nX.shape\n\ny.shape\n\nKod Python:\n```python\nX.shape\n\ny.shape\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "md_exercise_solution", "source_file": "005_podzial_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja liniowa\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `diabetes` z cechami: age, bmi, bp, s1, s2. Masz zbuduj model regresji i oceń błąd predykcji. Zaproponuj metrykę oceny i uzasadnij wybór.", "input": "Materiał źródłowy:\nDataset: diabetes\nCel/target: disease_progression\nCechy: age, bmi, bp, s1, s2\nZadanie: zbuduj model regresji i oceń błąd predykcji\nTemat z ćwiczeń: regresja liniowa\n\nChecklist:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `regresja liniowa`: wybierz zmienną ciągłą jako y; podziel dane; oceń MSE, RMSE i R2. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "regresja liniowa", "task_type": "exam_scenario", "source_file": "scenario::diabetes"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `KNN`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nscores_30 = []\n\nfor k in range(1, 31):\n model = KNeighborsClassifier(n_neighbors=k)\n model.fit(X_train, y_train)\n pred = model.predict(X_train)\n scores_30.append(accuracy_score(y_train, pred))\n\nplt.plot(range(1, 31), scores_30)\nplt.xlabel(\"k\")\nplt.ylabel(\"accuracy\")\nplt.show()\n```", "input": "Materiał źródłowy:\nTemat: KNN\nPoprawny wzorzec pochodzi z materiału: 007_knn.md\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nBłąd jest typowy dla tematu `KNN`. Należy zastosować poprawną procedurę: wybierz cechy i etykietę; przeskaluj dane; przetestuj kilka wartości k.\n\nKod Python:\n```python\nscores_30 = []\n\nfor k in range(1, 31):\n model = KNeighborsClassifier(n_neighbors=k)\n model.fit(X_train, y_train)\n pred = model.predict(X_test)\n scores_30.append(accuracy_score(y_test, pred))\n\nplt.plot(range(1, 31), scores_30)\nplt.xlabel(\"k\")\nplt.ylabel(\"accuracy\")\nplt.show()\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "code_repair", "source_file": "007_knn.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: PCA\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: PCA. Zadanie 9\nZmodyfikuj wykres 3D (np. kolory, punkt widzenia).", "input": "Materiał źródłowy:\n### Zadanie 9\nZmodyfikuj wykres 3D (np. kolory, punkt widzenia).\n\n### Rozwiazanie zadania 9\n\n```python\nfig = plt.figure()\nax = fig.add_subplot(111, projection='3d')\nax.scatter(X_pca3[:, 0], X_pca3[:, 1], X_pca3[:, 2], c=y, cmap='viridis')\nax.view_init(elev=25, azim=45)\nax.set_xlabel(\"PC1\")\nax.set_ylabel(\"PC2\")\nax.set_zlabel(\"PC3\")\nplt.title(\"PCA 3D - zmieniony widok\")\nplt.show()\n```\n\nChecklist:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów\n\nPułapki:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "output": "Plan:\nfig = plt.figure()\nax = fig.add_subplot(111, projection='3d')\nax.scatter(X_pca3[:, 0], X_pca3[:, 1], X_pca3[:, 2], c=y, cmap='viridis')\nax.view_init(elev=25, azim=45)\nax.set_xlabel(\"PC1\")\nax.set_ylabel(\"PC2\")\nax.set_zlabel(\"PC3\")\nplt.title(\"PCA 3D - zmieniony widok\")\nplt.show()\n\nKod Python:\n```python\nfig = plt.figure()\nax = fig.add_subplot(111, projection='3d')\nax.scatter(X_pca3[:, 0], X_pca3[:, 1], X_pca3[:, 2], c=y, cmap='viridis')\nax.view_init(elev=25, azim=45)\nax.set_xlabel(\"PC1\")\nax.set_ylabel(\"PC2\")\nax.set_zlabel(\"PC3\")\nplt.title(\"PCA 3D - zmieniony widok\")\nplt.show()\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "md_exercise_solution", "source_file": "012_pca.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `penguins` z cechami: bill_length_mm, bill_depth_mm, body_mass_g, island, sex. Masz zbuduj preprocessing dla cech numerycznych i kategorycznych. Zaproponuj metrykę oceny i uzasadnij wybór.", "input": "Materiał źródłowy:\nDataset: penguins\nCel/target: species\nCechy: bill_length_mm, bill_depth_mm, body_mass_g, island, sex\nZadanie: zbuduj preprocessing dla cech numerycznych i kategorycznych\nTemat z ćwiczeń: normalizacja i kodowanie\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `normalizacja i kodowanie`: oddziel kolumny numeryczne i kategoryczne; skaluj cechy numeryczne; zakoduj kategorie bez data leakage. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = ['bill_length_mm', 'bill_depth_mm', 'body_mass_g']\ncat_cols = ['island', 'sex']\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_scenario", "source_file": "scenario::penguins"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: braki danych i outliery. Zadanie 9\n\nUsuń outliery w kolumnie `age`.", "input": "Materiał źródłowy:\n## Zadanie 9\n\nUsuń outliery w kolumnie `age`.\n\n### Rozwiązanie\n\n```python\nage_no_outliers = df[(df['age'] >= Q1 - 1.5 * IQR) & (df['age'] <= Q3 + 1.5 * IQR)]\n\nage_no_outliers.shape\n```\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\nage_no_outliers = df[(df['age'] >= Q1 - 1.5 * IQR) & (df['age'] <= Q3 + 1.5 * IQR)]\n\nage_no_outliers.shape\n\nKod Python:\n```python\nage_no_outliers = df[(df['age'] >= Q1 - 1.5 * IQR) & (df['age'] <= Q3 + 1.5 * IQR)]\n\nage_no_outliers.shape\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "md_exercise_solution", "source_file": "002_braki_i_outliery.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `Titanic` z cechami: age, fare, sex, class, embarked. Masz przygotuj dane z brakami i wartościami odstającymi przed klasyfikacją przeżycia. Napisz rozwiązanie odporne na data leakage.", "input": "Materiał źródłowy:\nDataset: Titanic\nCel/target: survived\nCechy: age, fare, sex, class, embarked\nZadanie: przygotuj dane z brakami i wartościami odstającymi przed klasyfikacją przeżycia\nTemat z ćwiczeń: braki danych i outliery\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `braki danych i outliery`: policz braki isna().sum(); uzupełnij lub usuń braki świadomie; wykryj outliery metodą IQR albo boxplotem. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\ndf['age'] = df['age'].fillna(df['age'].median())\ndf['fare'] = df['fare'].fillna(df['fare'].median())\n\nq1 = df['fare'].quantile(0.25)\nq3 = df['fare'].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf['fare_winsor'] = df['fare'].clip(lower, upper)\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "exam_scenario", "source_file": "scenario::Titanic"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: KNN. Zadanie 2\n\nSpróbuj użyć cech:\n\n- sepal_length\n- sepal_width", "input": "Materiał źródłowy:\n## Zadanie 2\n\nSpróbuj użyć cech:\n\n- sepal_length\n- sepal_width\n\n### Rozwiązanie\n\n```python\nX = df[['sepal_length', 'sepal_width']]\n\nX.head()\n```\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nX = df[['sepal_length', 'sepal_width']]\n\nX.head()\n\nKod Python:\n```python\nX = df[['sepal_length', 'sepal_width']]\n\nX.head()\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "md_exercise_solution", "source_file": "007_knn.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: PCA\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: PCA. Zadanie 7\nPorównaj dane oryginalne i zrekonstruowane.", "input": "Materiał źródłowy:\n### Zadanie 7\nPorównaj dane oryginalne i zrekonstruowane.\n\n### Rozwiazanie zadania 7\n\n```python\nimport pandas as pd\n\ncomparison = pd.DataFrame({\n 'oryginalne': X_scaled[0],\n 'zrekonstruowane': X_reconstructed[0]\n})\n\ncomparison.head()\n```\n\nChecklist:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów\n\nPułapki:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "output": "Plan:\nimport pandas as pd\n\ncomparison = pd.DataFrame({\n 'oryginalne': X_scaled[0],\n 'zrekonstruowane': X_reconstructed[0]\n})\n\ncomparison.head()\n\nKod Python:\n```python\nimport pandas as pd\n\ncomparison = pd.DataFrame({\n 'oryginalne': X_scaled[0],\n 'zrekonstruowane': X_reconstructed[0]\n})\n\ncomparison.head()\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "md_exercise_solution", "source_file": "012_pca.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: normalizacja i kodowanie. Zadanie 11\n\n1. Wczytaj dataset\n2. Znormalizuj `bill_length_mm`\n3. Standaryzuj `body_mass_g`\n4. Zakoduj `species` metodą one-hot", "input": "Materiał źródłowy:\n## Zadanie 11\n\n1. Wczytaj dataset\n2. Znormalizuj `bill_length_mm`\n3. Standaryzuj `body_mass_g`\n4. Zakoduj `species` metodą one-hot\n\n### Rozwiązanie\n\n```python\nfrom sklearn.preprocessing import MinMaxScaler, StandardScaler\n\ndf_solution = df.copy()\n\ndf_solution[['bill_length_norm']] = MinMaxScaler().fit_transform(df_solution[['bill_length_mm']])\ndf_solution[['body_mass_standard']] = StandardScaler().fit_transform(df_solution[['body_mass_g']])\nspecies_encoded = pd.get_dummies(df_solution['species'], prefix='species')\n\nresult = pd.concat([\n df_solution,\n species_encoded\n], axis=1)\n\nresult.head()\n```\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\nfrom sklearn.preprocessing import MinMaxScaler, StandardScaler\n\ndf_solution = df.copy()\n\ndf_solution[['bill_length_norm']] = MinMaxScaler().fit_transform(df_solution[['bill_length_mm']])\ndf_solution[['body_mass_standard']] = StandardScaler().fit_transform(df_solution[['body_mass_g']])\nspecies_encoded = pd.get_dummies(df_solution['species'], prefix='species')\n\nresult = pd.concat([\n df_solution,\n species_encoded\n], axis=1)\n\nresult.head()\n\nKod Python:\n```python\nfrom sklearn.preprocessing import MinMaxScaler, StandardScaler\n\ndf_solution = df.copy()\n\ndf_solution[['bill_length_norm']] = MinMaxScaler().fit_transform(df_solution[['bill_length_mm']])\ndf_solution[['body_mass_standard']] = StandardScaler().fit_transform(df_solution[['body_mass_g']])\nspecies_encoded = pd.get_dummies(df_solution['species'], prefix='species')\n\nresult = pd.concat([\n df_solution,\n species_encoded\n], axis=1)\n\nresult.head()\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "md_exercise_solution", "source_file": "003_normalizacja_kodowanie.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: normalizacja i kodowanie. Zadanie końcowe 12\n\nStwórz kompletny program, który wykonuje następujące polecenia:\n\n1. skalowanie danych numerycznych\n2. kodowanie zmiennych kategorycznych\n3. utworzenie finalnej macierzy cech", "input": "Materiał źródłowy:\n## Zadanie końcowe 12\n\nStwórz kompletny program, który wykonuje następujące polecenia:\n\n1. skalowanie danych numerycznych\n2. kodowanie zmiennych kategorycznych\n3. utworzenie finalnej macierzy cech\n\n### Rozwiązanie\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = ['bill_length_mm', 'bill_depth_mm', 'flipper_length_mm', 'body_mass_g']\ncat_cols = ['species', 'island', 'sex']\n\ntransformer = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(), cat_cols)\n])\n\nX = transformer.fit_transform(df)\n\nX.shape\n```\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = ['bill_length_mm', 'bill_depth_mm', 'flipper_length_mm', 'body_mass_g']\ncat_cols = ['species', 'island', 'sex']\n\ntransformer = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(), cat_cols)\n])\n\nX = transformer.fit_transform(df)\n\nX.shape\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = ['bill_length_mm', 'bill_depth_mm', 'flipper_length_mm', 'body_mass_g']\ncat_cols = ['species', 'island', 'sex']\n\ntransformer = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(), cat_cols)\n])\n\nX = transformer.fit_transform(df)\n\nX.shape\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "md_exercise_solution", "source_file": "003_normalizacja_kodowanie.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: podział danych i walidacja. Zadanie 6\n\nSprawdź rozkład klas w zbiorze testowym.", "input": "Materiał źródłowy:\n## Zadanie 6\n\nSprawdź rozkład klas w zbiorze testowym.\n\n### Rozwiązanie\n\n```python\ny_test.value_counts()\n```\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\ny_test.value_counts()\n\nKod Python:\n```python\ny_test.value_counts()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "md_exercise_solution", "source_file": "005_podzial_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: klasteryzacja\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `customers` z cechami: age, annual_income, spending_score. Masz wykonaj segmentację klientów metodą KMeans. Wyjaśnij, dlaczego te kroki są właściwe.", "input": "Materiał źródłowy:\nDataset: customers\nCel/target: brak etykiety\nCechy: age, annual_income, spending_score\nZadanie: wykonaj segmentację klientów metodą KMeans\nTemat z ćwiczeń: klasteryzacja\n\nChecklist:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry\n\nPułapki:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `klasteryzacja`: przeskaluj dane; dobierz K metodą łokcia; zwizualizuj klastry i centroidy. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "exam_scenario", "source_file": "scenario::customers"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: normalizacja i kodowanie. Zadanie 8\n\nZastosuj one-hot encoding do kolumny `species`.", "input": "Materiał źródłowy:\n## Zadanie 8\n\nZastosuj one-hot encoding do kolumny `species`.\n\n### Rozwiązanie\n\n```python\npd.get_dummies(df['species']).head()\n```\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\npd.get_dummies(df['species']).head()\n\nKod Python:\n```python\npd.get_dummies(df['species']).head()\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "md_exercise_solution", "source_file": "003_normalizacja_kodowanie.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: normalizacja i kodowanie. Zadanie 6\n\nSprawdź unikalne wartości w kolumnie `island`.", "input": "Materiał źródłowy:\n## Zadanie 6\n\nSprawdź unikalne wartości w kolumnie `island`.\n\n### Rozwiązanie\n\n```python\ndf['island'].unique()\n```\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\ndf['island'].unique()\n\nKod Python:\n```python\ndf['island'].unique()\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "md_exercise_solution", "source_file": "003_normalizacja_kodowanie.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: klasteryzacja\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: klasteryzacja. Zadanie 8\nPorównaj wyniki przed i po skalowaniu.", "input": "Materiał źródłowy:\n### Zadanie 8\nPorównaj wyniki przed i po skalowaniu.\n\n### Rozwiazanie zadania 8\n\n```python\nkmeans_raw = KMeans(n_clusters=4, random_state=42)\nlabels_raw = kmeans_raw.fit_predict(X)\n\nkmeans_scaled = KMeans(n_clusters=4, random_state=42)\nlabels_scaled = kmeans_scaled.fit_predict(X_scaled)\n\nplt.scatter(X[:, 0], X[:, 1], c=labels_raw)\nplt.title(\"Przed skalowaniem\")\nplt.show()\n\nplt.scatter(X[:, 0], X[:, 1], c=labels_scaled)\nplt.title(\"Po skalowaniu\")\nplt.show()\n```\n\nChecklist:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry\n\nPułapki:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "output": "Plan:\nkmeans_raw = KMeans(n_clusters=4, random_state=42)\nlabels_raw = kmeans_raw.fit_predict(X)\n\nkmeans_scaled = KMeans(n_clusters=4, random_state=42)\nlabels_scaled = kmeans_scaled.fit_predict(X_scaled)\n\nplt.scatter(X[:, 0], X[:, 1], c=labels_raw)\nplt.title(\"Przed skalowaniem\")\nplt.show()\n\nplt.scatter(X[:, 0], X[:, 1], c=labels_scaled)\nplt.title(\"Po skalowaniu\")\nplt.show()\n\nKod Python:\n```python\nkmeans_raw = KMeans(n_clusters=4, random_state=42)\nlabels_raw = kmeans_raw.fit_predict(X)\n\nkmeans_scaled = KMeans(n_clusters=4, random_state=42)\nlabels_scaled = kmeans_scaled.fit_predict(X_scaled)\n\nplt.scatter(X[:, 0], X[:, 1], c=labels_raw)\nplt.title(\"Przed skalowaniem\")\nplt.show()\n\nplt.scatter(X[:, 0], X[:, 1], c=labels_scaled)\nplt.title(\"Po skalowaniu\")\nplt.show()\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "md_exercise_solution", "source_file": "011_klastry.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja liniowa\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `diabetes` z cechami: age, bmi, bp, s1, s2. Masz zbuduj model regresji i oceń błąd predykcji. Napisz rozwiązanie odporne na data leakage.", "input": "Materiał źródłowy:\nDataset: diabetes\nCel/target: disease_progression\nCechy: age, bmi, bp, s1, s2\nZadanie: zbuduj model regresji i oceń błąd predykcji\nTemat z ćwiczeń: regresja liniowa\n\nChecklist:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `regresja liniowa`: wybierz zmienną ciągłą jako y; podziel dane; oceń MSE, RMSE i R2. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "regresja liniowa", "task_type": "exam_scenario", "source_file": "scenario::diabetes"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: drzewa decyzyjne\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: drzewa decyzyjne. Zadanie 8\n\nSprawdź wpływ `max_depth = 2` oraz `max_depth = 5`.", "input": "Materiał źródłowy:\n## Zadanie 8\n\nSprawdź wpływ `max_depth = 2` oraz `max_depth = 5`.\n\n### Rozwiazanie\n\n```python\nmodel_depth_2 = DecisionTreeClassifier(max_depth=2, random_state=42)\nmodel_depth_5 = DecisionTreeClassifier(max_depth=5, random_state=42)\n\nmodel_depth_2.fit(X_train, y_train)\nmodel_depth_5.fit(X_train, y_train)\n\nmodel_depth_2.score(X_test, y_test), model_depth_5.score(X_test, y_test)\n```\n\nChecklist:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nmodel_depth_2 = DecisionTreeClassifier(max_depth=2, random_state=42)\nmodel_depth_5 = DecisionTreeClassifier(max_depth=5, random_state=42)\n\nmodel_depth_2.fit(X_train, y_train)\nmodel_depth_5.fit(X_train, y_train)\n\nmodel_depth_2.score(X_test, y_test), model_depth_5.score(X_test, y_test)\n\nKod Python:\n```python\nmodel_depth_2 = DecisionTreeClassifier(max_depth=2, random_state=42)\nmodel_depth_5 = DecisionTreeClassifier(max_depth=5, random_state=42)\n\nmodel_depth_2.fit(X_train, y_train)\nmodel_depth_5.fit(X_train, y_train)\n\nmodel_depth_2.score(X_test, y_test), model_depth_5.score(X_test, y_test)\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "drzewa decyzyjne", "task_type": "md_exercise_solution", "source_file": "008_drzewa_decyzyjne.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `podział danych i walidacja`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nX_train, X_train, y_train, y_train = train_test_split(X, y, test_size=0.3, random_state=42)\n\nprint(len(X_train), len(X_test))\n```", "input": "Materiał źródłowy:\nTemat: podział danych i walidacja\nPoprawny wzorzec pochodzi z materiału: 005_podzial_danych.md\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nBłąd jest typowy dla tematu `podział danych i walidacja`. Należy zastosować poprawną procedurę: oddziel X i y; użyj train_test_split z random_state; oceń model na danych testowych lub przez cross-validation.\n\nKod Python:\n```python\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)\n\nprint(len(X_train), len(X_test))\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "code_repair", "source_file": "005_podzial_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `walidacja krzyżowa` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nWalidacja krzyżowa\nZamiast dzielić dane tylko raz, można użyć tzw. k-krotnej walidacji krzyżowej\n(k-fold cross-validation), w której dane są wielokrotnie dzielone na różne\npodzbiory uczące i testowe.\nPolega to na podziale zbioru uczącego na k równolicznych podzbiorów, z których\nk − 1 jest wykorzystanych do uczenia (adaptacji) modelu, a jeden podzbiór służy\ndo walidacji modelu.\n12/16\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nPojęcie `walidacja krzyżowa` zastosuj w obszarze `podział danych i walidacja`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: oddziel X i y; użyj train_test_split z random_state; oceń model na danych testowych lub przez cross-validation.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, stratify=y, random_state=42\n)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_03a.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: pozyskiwanie danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: pozyskiwanie danych. Zadanie 2\n\n1. Sprawdź ile kolumn ma dataset.\n2. Wyświetl typy danych.\n3. Sprawdź czy występują brakujące wartości.\ndf.shape[1]\ndf.dtypes\ndf.isna().sum()", "input": "Materiał źródłowy:\n## Zadanie 2\n\n1. Sprawdź ile kolumn ma dataset.\n2. Wyświetl typy danych.\n3. Sprawdź czy występują brakujące wartości.\n```python\ndf.shape[1]\ndf.dtypes\ndf.isna().sum()\n\n```\n\nChecklist:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\ndf.shape[1]\ndf.dtypes\ndf.isna().sum()\n\nKod Python:\n```python\ndf.shape[1]\ndf.dtypes\ndf.isna().sum()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "pozyskiwanie danych", "task_type": "md_exercise_solution", "source_file": "001_pozyskiwanie_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja liniowa\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: regresja liniowa. Zadanie 1\nDodaj więcej punktów danych i sprawdź jak zmienia się linia regresji.", "input": "Materiał źródłowy:\n### Zadanie 1\nDodaj więcej punktów danych i sprawdź jak zmienia się linia regresji.\n\n### Rozwiazanie zadania 1\n\n```python\nX_more = np.array([[1], [2], [3], [4], [5], [6], [7], [8]])\ny_more = np.array([2, 4, 5, 4, 5, 7, 8, 9])\n\nmodel_more = LinearRegression()\nmodel_more.fit(X_more, y_more)\n\ny_more_pred = model_more.predict(X_more)\n\nplt.scatter(X_more, y_more)\nplt.plot(X_more, y_more_pred, color='red')\nplt.title(\"Regresja liniowa - wiecej punktow\")\nplt.show()\n```\n\nChecklist:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nX_more = np.array([[1], [2], [3], [4], [5], [6], [7], [8]])\ny_more = np.array([2, 4, 5, 4, 5, 7, 8, 9])\n\nmodel_more = LinearRegression()\nmodel_more.fit(X_more, y_more)\n\ny_more_pred = model_more.predict(X_more)\n\nplt.scatter(X_more, y_more)\nplt.plot(X_more, y_more_pred, color='red')\nplt.title(\"Regresja liniowa - wiecej punktow\")\nplt.show()\n\nKod Python:\n```python\nX_more = np.array([[1], [2], [3], [4], [5], [6], [7], [8]])\ny_more = np.array([2, 4, 5, 4, 5, 7, 8, 9])\n\nmodel_more = LinearRegression()\nmodel_more.fit(X_more, y_more)\n\ny_more_pred = model_more.predict(X_more)\n\nplt.scatter(X_more, y_more)\nplt.plot(X_more, y_more_pred, color='red')\nplt.title(\"Regresja liniowa - wiecej punktow\")\nplt.show()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "regresja liniowa", "task_type": "md_exercise_solution", "source_file": "009_regresja_liniowa.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: klasteryzacja\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: klasteryzacja. Zadanie 6\nZmień liczbę centrów i obserwuj dane.", "input": "Materiał źródłowy:\n### Zadanie 6\nZmień liczbę centrów i obserwuj dane.\n\n### Rozwiazanie zadania 6\n\n```python\nX_5, y_5 = make_blobs(n_samples=300, centers=5, random_state=42)\n\nplt.scatter(X_5[:, 0], X_5[:, 1], c=y_5)\nplt.title(\"Dane syntetyczne - 5 centrow\")\nplt.show()\n```\n\nChecklist:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry\n\nPułapki:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "output": "Plan:\nX_5, y_5 = make_blobs(n_samples=300, centers=5, random_state=42)\n\nplt.scatter(X_5[:, 0], X_5[:, 1], c=y_5)\nplt.title(\"Dane syntetyczne - 5 centrow\")\nplt.show()\n\nKod Python:\n```python\nX_5, y_5 = make_blobs(n_samples=300, centers=5, random_state=42)\n\nplt.scatter(X_5[:, 0], X_5[:, 1], c=y_5)\nplt.title(\"Dane syntetyczne - 5 centrow\")\nplt.show()\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "md_exercise_solution", "source_file": "011_klastry.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja liniowa\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: regresja liniowa. Zadanie 2\nZinterpretuj współczynniki dla własnych danych.", "input": "Materiał źródłowy:\n### Zadanie 2\nZinterpretuj współczynniki dla własnych danych.\n\n### Rozwiazanie zadania 2\n\nWspolczynnik `coef_` pokazuje, o ile srednio zmienia sie `y`, gdy `X` rosnie o 1. `intercept_` to przewidywana wartosc `y`, gdy `X = 0`.\n\n```python\nprint(\"Wspolczynnik:\", model_more.coef_)\nprint(\"Intercept:\", model_more.intercept_)\n```\n\nChecklist:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nWspolczynnik `coef_` pokazuje, o ile srednio zmienia sie `y`, gdy `X` rosnie o 1. `intercept_` to przewidywana wartosc `y`, gdy `X = 0`.\n\nprint(\"Wspolczynnik:\", model_more.coef_)\nprint(\"Intercept:\", model_more.intercept_)\n\nKod Python:\n```python\nprint(\"Wspolczynnik:\", model_more.coef_)\nprint(\"Intercept:\", model_more.intercept_)\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "regresja liniowa", "task_type": "md_exercise_solution", "source_file": "009_regresja_liniowa.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: PCA\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: PCA. Zadanie 8\nPorównaj model z PCA i bez PCA.", "input": "Materiał źródłowy:\n### Zadanie 8\nPorównaj model z PCA i bez PCA.\n\n### Rozwiazanie zadania 8\n\n```python\nX_train, X_test, y_train, y_test = train_test_split(\n X_scaled, y,\n test_size=0.2,\n random_state=42\n)\n\nmodel_no_pca = LogisticRegression(max_iter=10000)\nmodel_no_pca.fit(X_train, y_train)\nscore_no_pca = model_no_pca.score(X_test, y_test)\n\npca = PCA(n_components=5)\nX_train_pca = pca.fit_transform(X_train)\nX_test_pca = pca.transform(X_test)\n\nmodel_pca = LogisticRegression(max_iter=10000)\nmodel_pca.fit(X_train_pca, y_train)\nscore_pca = model_pca.score(X_test_pca, y_test)\n\nscore_no_pca, score_pca\n```\n\nChecklist:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów\n\nPułapki:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "output": "Plan:\nX_train, X_test, y_train, y_test = train_test_split(\n X_scaled, y,\n test_size=0.2,\n random_state=42\n)\n\nmodel_no_pca = LogisticRegression(max_iter=10000)\nmodel_no_pca.fit(X_train, y_train)\nscore_no_pca = model_no_pca.score(X_test, y_test)\n\npca = PCA(n_components=5)\nX_train_pca = pca.fit_transform(X_train)\nX_test_pca = pca.transform(X_test)\n\nmodel_pca = LogisticRegression(max_iter=10000)\nmodel_pca.fit(X_train_pca, y_train)\nscore_pca = model_pca.score(X_test_pca, y_test)\n\nscore_no_pca, score_pca\n\nKod Python:\n```python\nX_train, X_test, y_train, y_test = train_test_split(\n X_scaled, y,\n test_size=0.2,\n random_state=42\n)\n\nmodel_no_pca = LogisticRegression(max_iter=10000)\nmodel_no_pca.fit(X_train, y_train)\nscore_no_pca = model_no_pca.score(X_test, y_test)\n\npca = PCA(n_components=5)\nX_train_pca = pca.fit_transform(X_train)\nX_test_pca = pca.transform(X_test)\n\nmodel_pca = LogisticRegression(max_iter=10000)\nmodel_pca.fit(X_train_pca, y_train)\nscore_pca = model_pca.score(X_test_pca, y_test)\n\nscore_no_pca, score_pca\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "md_exercise_solution", "source_file": "012_pca.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `regresja logistyczna`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nfor state in [0, 1, 42, 100]:\n X_train, X_train, y_train, y_train = train_test_split(\n X, y,\n test_size=0.3,\n random_state=state\n )\n\n model = LogisticRegression(max_iter=10000)\n model.fit(X_train, y_train)\n y_pred = model.predict(X_test)\n\n print(state, accuracy_score(y_test, y_pred))\n```", "input": "Materiał źródłowy:\nTemat: regresja logistyczna\nPoprawny wzorzec pochodzi z materiału: 010_regresja_logistyczna.md\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nBłąd jest typowy dla tematu `regresja logistyczna`. Należy zastosować poprawną procedurę: przygotuj klasy binarne; skaluj dane w pipeline; oceń accuracy, confusion matrix, precision i recall.\n\nKod Python:\n```python\nfor state in [0, 1, 42, 100]:\n X_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=state\n )\n\n model = LogisticRegression(max_iter=10000)\n model.fit(X_train, y_train)\n y_pred = model.predict(X_test)\n\n print(state, accuracy_score(y_test, y_pred))\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "code_repair", "source_file": "010_regresja_logistyczna.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: podział danych i walidacja. Zadanie końcowe 12\n\nPorównaj trzy strategie:\n\n- 70/30 split\n- 80/20 split\n- cross validation\n\nKtóra daje najbardziej stabilne wyniki?", "input": "Materiał źródłowy:\n## Zadanie końcowe 12\n\nPorównaj trzy strategie:\n\n- 70/30 split\n- 80/20 split\n- cross validation\n\nKtóra daje najbardziej stabilne wyniki?\n\n### Rozwiązanie\n\n```python\nX_train_70, X_test_70, y_train_70, y_test_70 = train_test_split(X, y, test_size=0.3, random_state=42)\nmodel_70 = DecisionTreeClassifier(random_state=42)\nmodel_70.fit(X_train_70, y_train_70)\nscore_70 = model_70.score(X_test_70, y_test_70)\n\nX_train_80, X_test_80, y_train_80, y_test_80 = train_test_split(X, y, test_size=0.2, random_state=42)\nmodel_80 = DecisionTreeClassifier(random_state=42)\nmodel_80.fit(X_train_80, y_train_80)\nscore_80 = model_80.score(X_test_80, y_test_80)\n\ncv_scores = cross_val_score(DecisionTreeClassifier(random_state=42), X, y, cv=5)\n\nscore_70, score_80, cv_scores.mean()\n```\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nX_train_70, X_test_70, y_train_70, y_test_70 = train_test_split(X, y, test_size=0.3, random_state=42)\nmodel_70 = DecisionTreeClassifier(random_state=42)\nmodel_70.fit(X_train_70, y_train_70)\nscore_70 = model_70.score(X_test_70, y_test_70)\n\nX_train_80, X_test_80, y_train_80, y_test_80 = train_test_split(X, y, test_size=0.2, random_state=42)\nmodel_80 = DecisionTreeClassifier(random_state=42)\nmodel_80.fit(X_train_80, y_train_80)\nscore_80 = model_80.score(X_test_80, y_test_80)\n\ncv_scores = cross_val_score(DecisionTreeClassifier(random_state=42), X, y, cv=5)\n\nscore_70, score_80, cv_scores.mean()\n\nKod Python:\n```python\nX_train_70, X_test_70, y_train_70, y_test_70 = train_test_split(X, y, test_size=0.3, random_state=42)\nmodel_70 = DecisionTreeClassifier(random_state=42)\nmodel_70.fit(X_train_70, y_train_70)\nscore_70 = model_70.score(X_test_70, y_test_70)\n\nX_train_80, X_test_80, y_train_80, y_test_80 = train_test_split(X, y, test_size=0.2, random_state=42)\nmodel_80 = DecisionTreeClassifier(random_state=42)\nmodel_80.fit(X_train_80, y_train_80)\nscore_80 = model_80.score(X_test_80, y_test_80)\n\ncv_scores = cross_val_score(DecisionTreeClassifier(random_state=42), X, y, cv=5)\n\nscore_70, score_80, cv_scores.mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "md_exercise_solution", "source_file": "005_podzial_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: lecture_concept_application\nPolecenie:\nJak wykorzystać pojęcie `kodowanie` podczas rozwiązywania zadania z datasetem na kolokwium?", "input": "Materiał źródłowy:\nLabel Encoding - kodowanie etykiet, każdej kategorii przypisujemy liczbę.\nPrzykład: czerwony → 0, zielony 1, niebieski → 2. Model może błędnie\nuznać, że 2 > 1 > 0 ma sens (a to tylko etykiety).\n2. One-Hot Encoding - tworzymy nowe kolumny dla każdej kategorii. Dzięki\ntemu nie wprowadza się sztucznego porządku między kategoriami.\n3. Ordinal Encoding - dla danych, które mają naturalny porządek. Przykład:\nmały → 1, średni → 2, duży → 3.\n4. Target Encoding - Kategoria przechodzi na średnią wartość celu. Przykład:\nmiasto A → średnia cena domu 300k, miasto B → 500k.\n32/46\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\nPojęcie `kodowanie` zastosuj w obszarze `normalizacja i kodowanie`. Najpierw rozpoznaj typ problemu i strukturę danych, a potem użyj go jako części procedury: oddziel kolumny numeryczne i kategoryczne; skaluj cechy numeryczne; zakoduj kategorie bez data leakage.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = ['bill_length_mm', 'bill_depth_mm', 'body_mass_g']\ncat_cols = ['island', 'sex']\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "lecture_concept_application", "source_file": "Uczenie_maszynowe_02.pdf"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: wizualizacja danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: wizualizacja danych. Zadanie 3\n\nNarysuj boxplot dla kolumny `sepal_width`.", "input": "Materiał źródłowy:\n## Zadanie 3\n\nNarysuj boxplot dla kolumny `sepal_width`.\n\n### Rozwiązanie\n\n```python\nsns.boxplot(x=df['sepal_width'])\n\nplt.show()\n```\n\nChecklist:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nsns.boxplot(x=df['sepal_width'])\n\nplt.show()\n\nKod Python:\n```python\nsns.boxplot(x=df['sepal_width'])\n\nplt.show()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "wizualizacja danych", "task_type": "md_exercise_solution", "source_file": "006_wizualizacja_ml.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: podział danych i walidacja. Zadanie 3\n\nPodziel dane tak aby zbiór testowy miał 30% danych.", "input": "Materiał źródłowy:\n## Zadanie 3\n\nPodziel dane tak aby zbiór testowy miał 30% danych.\n\n### Rozwiązanie\n\n```python\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n\nX_train.shape, X_test.shape\n```\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n\nX_train.shape, X_test.shape\n\nKod Python:\n```python\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n\nX_train.shape, X_test.shape\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "md_exercise_solution", "source_file": "005_podzial_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: regresja logistyczna. Zadanie 4\nPorównaj log_loss dla różnych modeli.", "input": "Materiał źródłowy:\n### Zadanie 4\nPorównaj log_loss dla różnych modeli.\n\n### Rozwiazanie zadania 4\n\n```python\nmodel_default = LogisticRegression()\nmodel_strong_reg = LogisticRegression(C=0.1)\n\nmodel_default.fit(X, y)\nmodel_strong_reg.fit(X, y)\n\nloss_default = log_loss(y, model_default.predict_proba(X))\nloss_strong_reg = log_loss(y, model_strong_reg.predict_proba(X))\n\nloss_default, loss_strong_reg\n```\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nmodel_default = LogisticRegression()\nmodel_strong_reg = LogisticRegression(C=0.1)\n\nmodel_default.fit(X, y)\nmodel_strong_reg.fit(X, y)\n\nloss_default = log_loss(y, model_default.predict_proba(X))\nloss_strong_reg = log_loss(y, model_strong_reg.predict_proba(X))\n\nloss_default, loss_strong_reg\n\nKod Python:\n```python\nmodel_default = LogisticRegression()\nmodel_strong_reg = LogisticRegression(C=0.1)\n\nmodel_default.fit(X, y)\nmodel_strong_reg.fit(X, y)\n\nloss_default = log_loss(y, model_default.predict_proba(X))\nloss_strong_reg = log_loss(y, model_strong_reg.predict_proba(X))\n\nloss_default, loss_strong_reg\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "md_exercise_solution", "source_file": "010_regresja_logistyczna.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: regresja logistyczna. Zadanie 5\nPorównaj accuracy dla L1 i L2.", "input": "Materiał źródłowy:\n### Zadanie 5\nPorównaj accuracy dla L1 i L2.\n\n### Rozwiazanie zadania 5\n\n```python\ny_pred_l1 = model_l1.predict(X_test)\ny_pred_l2 = model_l2.predict(X_test)\n\naccuracy_score(y_test, y_pred_l1), accuracy_score(y_test, y_pred_l2)\n```\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\ny_pred_l1 = model_l1.predict(X_test)\ny_pred_l2 = model_l2.predict(X_test)\n\naccuracy_score(y_test, y_pred_l1), accuracy_score(y_test, y_pred_l2)\n\nKod Python:\n```python\ny_pred_l1 = model_l1.predict(X_test)\ny_pred_l2 = model_l2.predict(X_test)\n\naccuracy_score(y_test, y_pred_l1), accuracy_score(y_test, y_pred_l2)\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "md_exercise_solution", "source_file": "010_regresja_logistyczna.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: wizualizacja danych\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `iris` z cechami: sepal_length, petal_length, petal_width. Masz wykonaj EDA i wskaż zależności między cechami. Zaproponuj metrykę oceny i uzasadnij wybór.", "input": "Materiał źródłowy:\nDataset: iris\nCel/target: species\nCechy: sepal_length, petal_length, petal_width\nZadanie: wykonaj EDA i wskaż zależności między cechami\nTemat z ćwiczeń: wizualizacja danych\n\nChecklist:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `wizualizacja danych`: dobierz wykres do typu zmiennej; sprawdź rozkłady, korelacje i klasy; opisz wnioski z wykresu. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.scatterplot(data=df, x='petal_length', y='petal_width', hue='species')\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "wizualizacja danych", "task_type": "exam_scenario", "source_file": "scenario::iris"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: KNN. Zadanie 3\n\nPodziel dane w proporcji 70/30.", "input": "Materiał źródłowy:\n## Zadanie 3\n\nPodziel dane w proporcji 70/30.\n\n### Rozwiązanie\n\n```python\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n```\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n\nKod Python:\n```python\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "md_exercise_solution", "source_file": "007_knn.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: regresja logistyczna. Zadanie 7\nZinterpretuj wyniki macierzy pomyłek.", "input": "Materiał źródłowy:\n### Zadanie 7\nZinterpretuj wyniki macierzy pomyłek.\n\n### Rozwiazanie zadania 7\n\nW macierzy pomylek wiersze oznaczaja klasy rzeczywiste, a kolumny klasy przewidziane. Wartosci na przekatnej to poprawne predykcje, a pozostale pola to bledy klasyfikacji.\n\n```python\ncm\n```\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nW macierzy pomylek wiersze oznaczaja klasy rzeczywiste, a kolumny klasy przewidziane. Wartosci na przekatnej to poprawne predykcje, a pozostale pola to bledy klasyfikacji.\n\ncm\n\nKod Python:\n```python\ncm\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "md_exercise_solution", "source_file": "010_regresja_logistyczna.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: wizualizacja danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: wizualizacja danych. Zadanie 8\n\nNarysuj heatmap bez wartości liczbowych (`annot=False`).", "input": "Materiał źródłowy:\n## Zadanie 8\n\nNarysuj heatmap bez wartości liczbowych (`annot=False`).\n\n### Rozwiązanie\n\n```python\nsns.heatmap(corr, annot=False, cmap='coolwarm')\n```\n\nChecklist:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nsns.heatmap(corr, annot=False, cmap='coolwarm')\n\nKod Python:\n```python\nsns.heatmap(corr, annot=False, cmap='coolwarm')\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "wizualizacja danych", "task_type": "md_exercise_solution", "source_file": "006_wizualizacja_ml.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: klasteryzacja\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `klasteryzacja`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\ncustomer_data = np.array([\n [25, 3000], [30, 4000], [45, 8000], [50, 9000],\n [23, 2800], [42, 7500], [35, 5000], [55, 10000]\n])\n\ncustomer_scaled = None.fit_transform(customer_data)\ncustomer_kmeans = KMeans(n_clusters=2, random_state=42)\ncustomer_labels = customer_kmeans.fit_predict(customer_scaled)\n\nplt.scatter(customer_data[:, 0], customer_data[:, 1], c=customer_labels)\nplt.xlabel(\"wiek\")\nplt.ylabel(\"dochod\")\nplt.title(\"Segmentacja klientow\")\nplt.show()\n```", "input": "Materiał źródłowy:\nTemat: klasteryzacja\nPoprawny wzorzec pochodzi z materiału: 011_klastry.md\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry\n\nPułapki:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "output": "Plan:\nBłąd jest typowy dla tematu `klasteryzacja`. Należy zastosować poprawną procedurę: przeskaluj dane; dobierz K metodą łokcia; zwizualizuj klastry i centroidy.\n\nKod Python:\n```python\ncustomer_data = np.array([\n [25, 3000], [30, 4000], [45, 8000], [50, 9000],\n [23, 2800], [42, 7500], [35, 5000], [55, 10000]\n])\n\ncustomer_scaled = StandardScaler().fit_transform(customer_data)\ncustomer_kmeans = KMeans(n_clusters=2, random_state=42)\ncustomer_labels = customer_kmeans.fit_predict(customer_scaled)\n\nplt.scatter(customer_data[:, 0], customer_data[:, 1], c=customer_labels)\nplt.xlabel(\"wiek\")\nplt.ylabel(\"dochod\")\nplt.title(\"Segmentacja klientow\")\nplt.show()\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "code_repair", "source_file": "011_klastry.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: regresja logistyczna. Zadanie 3\nSpróbuj narysować granicę decyzyjną (podpowiedź: meshgrid).", "input": "Materiał źródłowy:\n### Zadanie 3\nSpróbuj narysować granicę decyzyjną (podpowiedź: meshgrid).\n\n### Rozwiazanie zadania 3\n\n```python\nx_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1\ny_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1\n\nxx, yy = np.meshgrid(\n np.linspace(x_min, x_max, 200),\n np.linspace(y_min, y_max, 200)\n)\n\nZ = model.predict(np.c_[xx.ravel(), yy.ravel()])\nZ = Z.reshape(xx.shape)\n\nplt.contourf(xx, yy, Z, alpha=0.3)\nplt.scatter(X[:, 0], X[:, 1], c=y, edgecolor='k')\nplt.title(\"Granica decyzyjna\")\nplt.show()\n```\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nx_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1\ny_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1\n\nxx, yy = np.meshgrid(\n np.linspace(x_min, x_max, 200),\n np.linspace(y_min, y_max, 200)\n)\n\nZ = model.predict(np.c_[xx.ravel(), yy.ravel()])\nZ = Z.reshape(xx.shape)\n\nplt.contourf(xx, yy, Z, alpha=0.3)\nplt.scatter(X[:, 0], X[:, 1], c=y, edgecolor='k')\nplt.title(\"Granica decyzyjna\")\nplt.show()\n\nKod Python:\n```python\nx_min, x_max = X[:, 0].min() - 1, X[:, 0].max() + 1\ny_min, y_max = X[:, 1].min() - 1, X[:, 1].max() + 1\n\nxx, yy = np.meshgrid(\n np.linspace(x_min, x_max, 200),\n np.linspace(y_min, y_max, 200)\n)\n\nZ = model.predict(np.c_[xx.ravel(), yy.ravel()])\nZ = Z.reshape(xx.shape)\n\nplt.contourf(xx, yy, Z, alpha=0.3)\nplt.scatter(X[:, 0], X[:, 1], c=y, edgecolor='k')\nplt.title(\"Granica decyzyjna\")\nplt.show()\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "md_exercise_solution", "source_file": "010_regresja_logistyczna.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `iris` z cechami: sepal_length, sepal_width, petal_length, petal_width. Masz podziel dane i sprawdź jakość klasyfikatora bez data leakage. Wyjaśnij, dlaczego te kroki są właściwe.", "input": "Materiał źródłowy:\nDataset: iris\nCel/target: species\nCechy: sepal_length, sepal_width, petal_length, petal_width\nZadanie: podziel dane i sprawdź jakość klasyfikatora bez data leakage\nTemat z ćwiczeń: podział danych i walidacja\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `podział danych i walidacja`: oddziel X i y; użyj train_test_split z random_state; oceń model na danych testowych lub przez cross-validation. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, stratify=y, random_state=42\n)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_scenario", "source_file": "scenario::iris"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: KNN. Zadanie 10\n\nSprawdź metrykę `euclidean`.", "input": "Materiał źródłowy:\n## Zadanie 10\n\nSprawdź metrykę `euclidean`.\n\n### Rozwiązanie\n\n```python\nmodel = KNeighborsClassifier(n_neighbors=5, metric='euclidean')\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nmodel = KNeighborsClassifier(n_neighbors=5, metric='euclidean')\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n\nKod Python:\n```python\nmodel = KNeighborsClassifier(n_neighbors=5, metric='euclidean')\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "md_exercise_solution", "source_file": "007_knn.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: KNN. Zadanie 1\n\n1. Wczytaj dataset.\n2. Sprawdź rozmiar datasetu (`shape`).\n3. Wyświetl nazwy kolumn.", "input": "Materiał źródłowy:\n## Zadanie 1\n\n1. Wczytaj dataset.\n2. Sprawdź rozmiar datasetu (`shape`).\n3. Wyświetl nazwy kolumn.\n\n### Rozwiązanie\n\n```python\ndf.shape\n\ndf.columns\n```\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\ndf.shape\n\ndf.columns\n\nKod Python:\n```python\ndf.shape\n\ndf.columns\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "md_exercise_solution", "source_file": "007_knn.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: drzewa decyzyjne\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: drzewa decyzyjne. Zadanie 1\n\n1. Wczytaj dataset.\n2. Sprawdź rozmiar datasetu (`shape`).\n3. Wyświetl nazwy kolumn.", "input": "Materiał źródłowy:\n## Zadanie 1\n\n1. Wczytaj dataset.\n2. Sprawdź rozmiar datasetu (`shape`).\n3. Wyświetl nazwy kolumn.\n\n### Rozwiazanie\n\n```python\ndf.shape\n\ndf.columns\n```\n\nChecklist:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\ndf.shape\n\ndf.columns\n\nKod Python:\n```python\ndf.shape\n\ndf.columns\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "drzewa decyzyjne", "task_type": "md_exercise_solution", "source_file": "008_drzewa_decyzyjne.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: pozyskiwanie danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: pozyskiwanie danych. Zadanie\n\n1. Zapisz dane do tabeli `tips2`\n2. Wczytaj je ponownie z SQL\ndf.to_sql(\"tips2\", conn, if_exists=\"replace\", index=False)\n\ntips2 = pd.read_sql(\"SELECT * FROM tips2\", conn)\n\ntips2.head()", "input": "Materiał źródłowy:\n## Zadanie\n\n1. Zapisz dane do tabeli `tips2`\n2. Wczytaj je ponownie z SQL\n```python\ndf.to_sql(\"tips2\", conn, if_exists=\"replace\", index=False)\n\ntips2 = pd.read_sql(\"SELECT * FROM tips2\", conn)\n\ntips2.head()\n\n```\n\nChecklist:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\ndf.to_sql(\"tips2\", conn, if_exists=\"replace\", index=False)\n\ntips2 = pd.read_sql(\"SELECT * FROM tips2\", conn)\n\ntips2.head()\n\nKod Python:\n```python\ndf.to_sql(\"tips2\", conn, if_exists=\"replace\", index=False)\n\ntips2 = pd.read_sql(\"SELECT * FROM tips2\", conn)\n\ntips2.head()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "pozyskiwanie danych", "task_type": "md_exercise_solution", "source_file": "001_pozyskiwanie_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: braki danych i outliery. Zadanie 10\n\nZastosuj winsoryzację dla kolumny `age`.", "input": "Materiał źródłowy:\n## Zadanie 10\n\nZastosuj winsoryzację dla kolumny `age`.\n\n### Rozwiązanie\n\n```python\nlower = Q1 - 1.5 * IQR\nupper = Q3 + 1.5 * IQR\n\ndf['age_winsor'] = df['age'].clip(lower, upper)\n\ndf[['age', 'age_winsor']].head()\n```\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\nlower = Q1 - 1.5 * IQR\nupper = Q3 + 1.5 * IQR\n\ndf['age_winsor'] = df['age'].clip(lower, upper)\n\ndf[['age', 'age_winsor']].head()\n\nKod Python:\n```python\nlower = Q1 - 1.5 * IQR\nupper = Q3 + 1.5 * IQR\n\ndf['age_winsor'] = df['age'].clip(lower, upper)\n\ndf[['age', 'age_winsor']].head()\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "md_exercise_solution", "source_file": "002_braki_i_outliery.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: PCA\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: PCA. Zadanie 10\nZbuduj pipeline:\n- skalowanie\n- PCA\n- model ML", "input": "Materiał źródłowy:\n### Zadanie 10\nZbuduj pipeline:\n- skalowanie\n- PCA\n- model ML\n\n### Rozwiazanie zadania 10\n\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.model_selection import train_test_split\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.2,\n random_state=42\n)\n\npipeline = Pipeline([\n ('scaler', StandardScaler()),\n ('pca', PCA(n_components=5)),\n ('model', LogisticRegression(max_iter=10000))\n])\n\npipeline.fit(X_train, y_train)\n\npipeline.score(X_test, y_test)\n```\n\nChecklist:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów\n\nPułapki:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "output": "Plan:\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.model_selection import train_test_split\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.2,\n random_state=42\n)\n\npipeline = Pipeline([\n ('scaler', StandardScaler()),\n ('pca', PCA(n_components=5)),\n ('model', LogisticRegression(max_iter=10000))\n])\n\npipeline.fit(X_train, y_train)\n\npipeline.score(X_test, y_test)\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.model_selection import train_test_split\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.2,\n random_state=42\n)\n\npipeline = Pipeline([\n ('scaler', StandardScaler()),\n ('pca', PCA(n_components=5)),\n ('model', LogisticRegression(max_iter=10000))\n])\n\npipeline.fit(X_train, y_train)\n\npipeline.score(X_test, y_test)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "md_exercise_solution", "source_file": "012_pca.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `podział danych i walidacja`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nplt.hist(X_train['petal_length'], alpha=0.5, label='train')\nplt.hist(X_train['petal_length'], alpha=0.5, label='test')\n\nplt.legend()\nplt.show()\n```", "input": "Materiał źródłowy:\nTemat: podział danych i walidacja\nPoprawny wzorzec pochodzi z materiału: 005_podzial_danych.md\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nBłąd jest typowy dla tematu `podział danych i walidacja`. Należy zastosować poprawną procedurę: oddziel X i y; użyj train_test_split z random_state; oceń model na danych testowych lub przez cross-validation.\n\nKod Python:\n```python\nplt.hist(X_train['petal_length'], alpha=0.5, label='train')\nplt.hist(X_test['petal_length'], alpha=0.5, label='test')\n\nplt.legend()\nplt.show()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "code_repair", "source_file": "005_podzial_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: wizualizacja danych\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `iris` z cechami: sepal_length, petal_length, petal_width. Masz wykonaj EDA i wskaż zależności między cechami. Podaj minimalne kroki i kod.", "input": "Materiał źródłowy:\nDataset: iris\nCel/target: species\nCechy: sepal_length, petal_length, petal_width\nZadanie: wykonaj EDA i wskaż zależności między cechami\nTemat z ćwiczeń: wizualizacja danych\n\nChecklist:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `wizualizacja danych`: dobierz wykres do typu zmiennej; sprawdź rozkłady, korelacje i klasy; opisz wnioski z wykresu. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.scatterplot(data=df, x='petal_length', y='petal_width', hue='species')\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "wizualizacja danych", "task_type": "exam_scenario", "source_file": "scenario::iris"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `penguins` z cechami: bill_length_mm, bill_depth_mm, body_mass_g, island, sex. Masz zbuduj preprocessing dla cech numerycznych i kategorycznych. Napisz rozwiązanie odporne na data leakage.", "input": "Materiał źródłowy:\nDataset: penguins\nCel/target: species\nCechy: bill_length_mm, bill_depth_mm, body_mass_g, island, sex\nZadanie: zbuduj preprocessing dla cech numerycznych i kategorycznych\nTemat z ćwiczeń: normalizacja i kodowanie\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `normalizacja i kodowanie`: oddziel kolumny numeryczne i kategoryczne; skaluj cechy numeryczne; zakoduj kategorie bez data leakage. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = ['bill_length_mm', 'bill_depth_mm', 'body_mass_g']\ncat_cols = ['island', 'sex']\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_scenario", "source_file": "scenario::penguins"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `Titanic` z cechami: age, fare, sex, class, embarked. Masz przygotuj dane z brakami i wartościami odstającymi przed klasyfikacją przeżycia. Zaproponuj metrykę oceny i uzasadnij wybór.", "input": "Materiał źródłowy:\nDataset: Titanic\nCel/target: survived\nCechy: age, fare, sex, class, embarked\nZadanie: przygotuj dane z brakami i wartościami odstającymi przed klasyfikacją przeżycia\nTemat z ćwiczeń: braki danych i outliery\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `braki danych i outliery`: policz braki isna().sum(); uzupełnij lub usuń braki świadomie; wykryj outliery metodą IQR albo boxplotem. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\ndf['age'] = df['age'].fillna(df['age'].median())\ndf['fare'] = df['fare'].fillna(df['fare'].median())\n\nq1 = df['fare'].quantile(0.25)\nq3 = df['fare'].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf['fare_winsor'] = df['fare'].clip(lower, upper)\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "exam_scenario", "source_file": "scenario::Titanic"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: KNN. Zadanie 11\n\n1. Wczytaj dataset\n2. Podziel dane na train/test\n3. Naucz model KNN\n4. Sprawdź accuracy", "input": "Materiał źródłowy:\n## Zadanie 11\n\n1. Wczytaj dataset\n2. Podziel dane na train/test\n3. Naucz model KNN\n4. Sprawdź accuracy\n\n### Rozwiązanie\n\n```python\nX = df[['petal_length', 'petal_width']]\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\nmodel = KNeighborsClassifier(n_neighbors=5)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nX = df[['petal_length', 'petal_width']]\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\nmodel = KNeighborsClassifier(n_neighbors=5)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n\nKod Python:\n```python\nX = df[['petal_length', 'petal_width']]\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\nmodel = KNeighborsClassifier(n_neighbors=5)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "md_exercise_solution", "source_file": "007_knn.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja liniowa\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: regresja liniowa. Zadanie 4\nPolicz MSE dla nowych danych.", "input": "Materiał źródłowy:\n### Zadanie 4\nPolicz MSE dla nowych danych.\n\n### Rozwiazanie zadania 4\n\n```python\ny_more_pred = model_more.predict(X_more)\nmse_more = mean_squared_error(y_more, y_more_pred)\n\nmse_more\n```\n\nChecklist:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\ny_more_pred = model_more.predict(X_more)\nmse_more = mean_squared_error(y_more, y_more_pred)\n\nmse_more\n\nKod Python:\n```python\ny_more_pred = model_more.predict(X_more)\nmse_more = mean_squared_error(y_more, y_more_pred)\n\nmse_more\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "regresja liniowa", "task_type": "md_exercise_solution", "source_file": "009_regresja_liniowa.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: wizualizacja danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: wizualizacja danych. Zadanie końcowe 12\n\nWykonaj eksploracyjną analizę danych:\n\n1. histogramy\n2. boxploty\n3. scatter plot\n4. macierz korelacji\n5. heatmap\n\nSpróbuj zinterpretować wyniki.", "input": "Materiał źródłowy:\n## Zadanie końcowe 12\n\nWykonaj eksploracyjną analizę danych:\n\n1. histogramy\n2. boxploty\n3. scatter plot\n4. macierz korelacji\n5. heatmap\n\nSpróbuj zinterpretować wyniki.\n\n### Rozwiązanie\n\n```python\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df)\nplt.xticks(rotation=45)\nplt.show()\n\nsns.scatterplot(data=df, x='sepal_length', y='petal_length', hue='species')\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nprint(corr)\n\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nChecklist:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df)\nplt.xticks(rotation=45)\nplt.show()\n\nsns.scatterplot(data=df, x='sepal_length', y='petal_length', hue='species')\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nprint(corr)\n\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n\nKod Python:\n```python\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df)\nplt.xticks(rotation=45)\nplt.show()\n\nsns.scatterplot(data=df, x='sepal_length', y='petal_length', hue='species')\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nprint(corr)\n\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "wizualizacja danych", "task_type": "md_exercise_solution", "source_file": "006_wizualizacja_ml.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: braki danych i outliery. Zadanie 8\n\nZnajdź wartości odstające w kolumnie `age`.", "input": "Materiał źródłowy:\n## Zadanie 8\n\nZnajdź wartości odstające w kolumnie `age`.\n\n### Rozwiązanie\n\n```python\nQ1 = df['age'].quantile(0.25)\nQ3 = df['age'].quantile(0.75)\n\nIQR = Q3 - Q1\n\nage_outliers = df[(df['age'] < Q1 - 1.5 * IQR) | (df['age'] > Q3 + 1.5 * IQR)]\n\nage_outliers.head()\n```\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\nQ1 = df['age'].quantile(0.25)\nQ3 = df['age'].quantile(0.75)\n\nIQR = Q3 - Q1\n\nage_outliers = df[(df['age'] < Q1 - 1.5 * IQR) | (df['age'] > Q3 + 1.5 * IQR)]\n\nage_outliers.head()\n\nKod Python:\n```python\nQ1 = df['age'].quantile(0.25)\nQ3 = df['age'].quantile(0.75)\n\nIQR = Q3 - Q1\n\nage_outliers = df[(df['age'] < Q1 - 1.5 * IQR) | (df['age'] > Q3 + 1.5 * IQR)]\n\nage_outliers.head()\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "md_exercise_solution", "source_file": "002_braki_i_outliery.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: pozyskiwanie danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: pozyskiwanie danych. Zadanie 1\n\n1. Wczytaj dane z tego samego pliku.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź ile wierszy ma dataset.\ndf_task1 = pd.read_csv(url)\n\ndf_task1.head(10)\nlen(df_task1)", "input": "Materiał źródłowy:\n## Zadanie 1\n\n1. Wczytaj dane z tego samego pliku.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź ile wierszy ma dataset.\n```python\ndf_task1 = pd.read_csv(url)\n\ndf_task1.head(10)\nlen(df_task1)\n\n```\n\nChecklist:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\ndf_task1 = pd.read_csv(url)\n\ndf_task1.head(10)\nlen(df_task1)\n\nKod Python:\n```python\ndf_task1 = pd.read_csv(url)\n\ndf_task1.head(10)\nlen(df_task1)\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "pozyskiwanie danych", "task_type": "md_exercise_solution", "source_file": "001_pozyskiwanie_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: PCA\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `wine` z cechami: alcohol, malic_acid, ash, magnesium, flavanoids. Masz zredukuj wymiar danych i sprawdź zachowaną wariancję. Wyjaśnij, dlaczego te kroki są właściwe.", "input": "Materiał źródłowy:\nDataset: wine\nCel/target: class\nCechy: alcohol, malic_acid, ash, magnesium, flavanoids\nZadanie: zredukuj wymiar danych i sprawdź zachowaną wariancję\nTemat z ćwiczeń: PCA\n\nChecklist:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów\n\nPułapki:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `PCA`: przeskaluj dane; dobierz liczbę komponentów; sprawdź explained_variance_ratio_. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\n\npca_final = PCA(n_components=n_components)\nX_pca = pca_final.fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_scenario", "source_file": "scenario::wine"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: klasteryzacja\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: klasteryzacja. Zadanie 5\nZnajdź optymalne K na podstawie wykresu.", "input": "Materiał źródłowy:\n### Zadanie 5\nZnajdź optymalne K na podstawie wykresu.\n\n### Rozwiazanie zadania 5\n\nOptymalne K wybieramy w miejscu, gdzie wykres inertia zaczyna spadac znacznie wolniej. Dla danych z wyraznymi grupami jest to zwykle punkt \"lokcia\".\n\n```python\nbest_k = 4\nbest_k\n```\n\nChecklist:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry\n\nPułapki:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "output": "Plan:\nOptymalne K wybieramy w miejscu, gdzie wykres inertia zaczyna spadac znacznie wolniej. Dla danych z wyraznymi grupami jest to zwykle punkt \"lokcia\".\n\nbest_k = 4\nbest_k\n\nKod Python:\n```python\nbest_k = 4\nbest_k\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "md_exercise_solution", "source_file": "011_klastry.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: pozyskiwanie danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: pozyskiwanie danych. Zadanie 4\n\nPobierz dane z:\n\nhttps://jsonplaceholder.typicode.com/users\n\ni przekształć je do DataFrame.\nurl_users = \"https://jsonplaceholder.typicode.com/users\"\n\nusers = requests.get(url_users).json()\n\ndf_users = pd.DataFrame(users)\n\ndf_users.head()", "input": "Materiał źródłowy:\n## Zadanie 4\n\nPobierz dane z:\n\nhttps://jsonplaceholder.typicode.com/users\n\ni przekształć je do DataFrame.\n```python\nurl_users = \"https://jsonplaceholder.typicode.com/users\"\n\nusers = requests.get(url_users).json()\n\ndf_users = pd.DataFrame(users)\n\ndf_users.head()\n\n```\n\nChecklist:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nurl_users = \"https://jsonplaceholder.typicode.com/users\"\n\nusers = requests.get(url_users).json()\n\ndf_users = pd.DataFrame(users)\n\ndf_users.head()\n\nKod Python:\n```python\nurl_users = \"https://jsonplaceholder.typicode.com/users\"\n\nusers = requests.get(url_users).json()\n\ndf_users = pd.DataFrame(users)\n\ndf_users.head()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "pozyskiwanie danych", "task_type": "md_exercise_solution", "source_file": "001_pozyskiwanie_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: klasteryzacja\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `customers` z cechami: age, annual_income, spending_score. Masz wykonaj segmentację klientów metodą KMeans. Napisz rozwiązanie odporne na data leakage.", "input": "Materiał źródłowy:\nDataset: customers\nCel/target: brak etykiety\nCechy: age, annual_income, spending_score\nZadanie: wykonaj segmentację klientów metodą KMeans\nTemat z ćwiczeń: klasteryzacja\n\nChecklist:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry\n\nPułapki:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `klasteryzacja`: przeskaluj dane; dobierz K metodą łokcia; zwizualizuj klastry i centroidy. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "exam_scenario", "source_file": "scenario::customers"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: PCA\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: PCA. Zadanie 4\nIle wariancji wyjaśniają pierwsze 2 składowe?", "input": "Materiał źródłowy:\n### Zadanie 4\nIle wariancji wyjaśniają pierwsze 2 składowe?\n\n### Rozwiazanie zadania 4\n\n```python\npca.explained_variance_ratio_.sum()\n```\n\nChecklist:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów\n\nPułapki:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "output": "Plan:\npca.explained_variance_ratio_.sum()\n\nKod Python:\n```python\npca.explained_variance_ratio_.sum()\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "md_exercise_solution", "source_file": "012_pca.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: pozyskiwanie danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: pozyskiwanie danych. Zadanie końcowe 12\n\nNapisz skrypt który:\n\n1. Pobiera dane z internetu\n2. Zapisuje je lokalnie\n3. Wczytuje je ponownie\n4. Wyświetla podstawowe statystyki (`describe()`)\nfinal_df = pd.read_csv(url)\n\nfinal_df.to_csv(\"final_tips.csv\", index=False)\n\nfinal_loaded = pd.read_csv(\"final_tips.csv\")\n\nfinal_loaded.describe()", "input": "Materiał źródłowy:\n## Zadanie końcowe 12\n\nNapisz skrypt który:\n\n1. Pobiera dane z internetu\n2. Zapisuje je lokalnie\n3. Wczytuje je ponownie\n4. Wyświetla podstawowe statystyki (`describe()`)\n```python\nfinal_df = pd.read_csv(url)\n\nfinal_df.to_csv(\"final_tips.csv\", index=False)\n\nfinal_loaded = pd.read_csv(\"final_tips.csv\")\n\nfinal_loaded.describe()\n```\n\nChecklist:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nfinal_df = pd.read_csv(url)\n\nfinal_df.to_csv(\"final_tips.csv\", index=False)\n\nfinal_loaded = pd.read_csv(\"final_tips.csv\")\n\nfinal_loaded.describe()\n\nKod Python:\n```python\nfinal_df = pd.read_csv(url)\n\nfinal_df.to_csv(\"final_tips.csv\", index=False)\n\nfinal_loaded = pd.read_csv(\"final_tips.csv\")\n\nfinal_loaded.describe()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "pozyskiwanie danych", "task_type": "md_exercise_solution", "source_file": "001_pozyskiwanie_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: KNN. Zadanie 6\n\nSprawdź która wartość k daje najlepszy wynik.", "input": "Materiał źródłowy:\n## Zadanie 6\n\nSprawdź która wartość k daje najlepszy wynik.\n\n### Rozwiązanie\n\n```python\nbest_k = range(1, 20)[scores.index(max(scores))]\n\nbest_k\n```\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nbest_k = range(1, 20)[scores.index(max(scores))]\n\nbest_k\n\nKod Python:\n```python\nbest_k = range(1, 20)[scores.index(max(scores))]\n\nbest_k\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "md_exercise_solution", "source_file": "007_knn.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `breast_cancer` z cechami: mean radius, mean texture, mean perimeter, mean area. Masz zbuduj klasyfikator binarny i oceń confusion matrix oraz precision/recall. Napisz rozwiązanie odporne na data leakage.", "input": "Materiał źródłowy:\nDataset: breast_cancer\nCel/target: diagnosis\nCechy: mean radius, mean texture, mean perimeter, mean area\nZadanie: zbuduj klasyfikator binarny i oceń confusion matrix oraz precision/recall\nTemat z ćwiczeń: regresja logistyczna\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `regresja logistyczna`: przygotuj klasy binarne; skaluj dane w pipeline; oceń accuracy, confusion matrix, precision i recall. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "exam_scenario", "source_file": "scenario::breast_cancer"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: klasteryzacja\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: klasteryzacja. Zadanie 9\nZastosuj K-means do własnych danych.", "input": "Materiał źródłowy:\n### Zadanie 9\nZastosuj K-means do własnych danych.\n\n### Rozwiazanie zadania 9\n\n```python\ncustomer_data = np.array([\n [25, 3000], [30, 4000], [45, 8000], [50, 9000],\n [23, 2800], [42, 7500], [35, 5000], [55, 10000]\n])\n\ncustomer_scaled = StandardScaler().fit_transform(customer_data)\ncustomer_kmeans = KMeans(n_clusters=2, random_state=42)\ncustomer_labels = customer_kmeans.fit_predict(customer_scaled)\n\nplt.scatter(customer_data[:, 0], customer_data[:, 1], c=customer_labels)\nplt.xlabel(\"wiek\")\nplt.ylabel(\"dochod\")\nplt.title(\"Segmentacja klientow\")\nplt.show()\n```\n\nChecklist:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry\n\nPułapki:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "output": "Plan:\ncustomer_data = np.array([\n [25, 3000], [30, 4000], [45, 8000], [50, 9000],\n [23, 2800], [42, 7500], [35, 5000], [55, 10000]\n])\n\ncustomer_scaled = StandardScaler().fit_transform(customer_data)\ncustomer_kmeans = KMeans(n_clusters=2, random_state=42)\ncustomer_labels = customer_kmeans.fit_predict(customer_scaled)\n\nplt.scatter(customer_data[:, 0], customer_data[:, 1], c=customer_labels)\nplt.xlabel(\"wiek\")\nplt.ylabel(\"dochod\")\nplt.title(\"Segmentacja klientow\")\nplt.show()\n\nKod Python:\n```python\ncustomer_data = np.array([\n [25, 3000], [30, 4000], [45, 8000], [50, 9000],\n [23, 2800], [42, 7500], [35, 5000], [55, 10000]\n])\n\ncustomer_scaled = StandardScaler().fit_transform(customer_data)\ncustomer_kmeans = KMeans(n_clusters=2, random_state=42)\ncustomer_labels = customer_kmeans.fit_predict(customer_scaled)\n\nplt.scatter(customer_data[:, 0], customer_data[:, 1], c=customer_labels)\nplt.xlabel(\"wiek\")\nplt.ylabel(\"dochod\")\nplt.title(\"Segmentacja klientow\")\nplt.show()\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "md_exercise_solution", "source_file": "011_klastry.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: wizualizacja danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: wizualizacja danych. Zadanie 1\n\n1. Wczytaj dataset.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź rozmiar datasetu (`shape`).", "input": "Materiał źródłowy:\n## Zadanie 1\n\n1. Wczytaj dataset.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź rozmiar datasetu (`shape`).\n\n### Rozwiązanie\n\n```python\ndf.head(10)\n\ndf.shape\n```\n\nChecklist:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\ndf.head(10)\n\ndf.shape\n\nKod Python:\n```python\ndf.head(10)\n\ndf.shape\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "wizualizacja danych", "task_type": "md_exercise_solution", "source_file": "006_wizualizacja_ml.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja liniowa\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: regresja liniowa. Zadanie 10\nZbuduj pełny pipeline:\n- podział danych\n- trening\n- ocena", "input": "Materiał źródłowy:\n### Zadanie 10\nZbuduj pełny pipeline:\n- podział danych\n- trening\n- ocena\n\n### Rozwiazanie zadania 10\n\n```python\nfrom sklearn.datasets import load_diabetes\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\ndata = load_diabetes()\nX = data.data\ny = data.target\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.2,\n random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\n\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n\nmse, rmse, r2\n```\n\nChecklist:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nfrom sklearn.datasets import load_diabetes\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\ndata = load_diabetes()\nX = data.data\ny = data.target\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.2,\n random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\n\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n\nmse, rmse, r2\n\nKod Python:\n```python\nfrom sklearn.datasets import load_diabetes\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\ndata = load_diabetes()\nX = data.data\ny = data.target\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.2,\n random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\n\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n\nmse, rmse, r2\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "regresja liniowa", "task_type": "md_exercise_solution", "source_file": "009_regresja_liniowa.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `iris` z cechami: petal_length, petal_width, sepal_length, sepal_width. Masz dobierz k i oceń klasyfikator KNN. Napisz rozwiązanie odporne na data leakage.", "input": "Materiał źródłowy:\nDataset: iris\nCel/target: species\nCechy: petal_length, petal_width, sepal_length, sepal_width\nZadanie: dobierz k i oceń klasyfikator KNN\nTemat z ćwiczeń: KNN\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `KNN`: wybierz cechy i etykietę; przeskaluj dane; przetestuj kilka wartości k. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\n\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_scenario", "source_file": "scenario::iris"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: drzewa decyzyjne\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `iris` z cechami: sepal_length, sepal_width, petal_length, petal_width. Masz porównaj drzewa decyzyjne o różnych głębokościach. Napisz rozwiązanie odporne na data leakage.", "input": "Materiał źródłowy:\nDataset: iris\nCel/target: species\nCechy: sepal_length, sepal_width, petal_length, petal_width\nZadanie: porównaj drzewa decyzyjne o różnych głębokościach\nTemat z ćwiczeń: drzewa decyzyjne\n\nChecklist:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `drzewa decyzyjne`: wytrenuj DecisionTreeClassifier; porównaj głębokości drzewa; sprawdź accuracy i ważność cech. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nresults\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "drzewa decyzyjne", "task_type": "exam_scenario", "source_file": "scenario::iris"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `KNN`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nmodel = KNeighborsClassifier(n_neighbors=5, metric='euclidean')\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_train, y_train)\n```", "input": "Materiał źródłowy:\nTemat: KNN\nPoprawny wzorzec pochodzi z materiału: 007_knn.md\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nBłąd jest typowy dla tematu `KNN`. Należy zastosować poprawną procedurę: wybierz cechy i etykietę; przeskaluj dane; przetestuj kilka wartości k.\n\nKod Python:\n```python\nmodel = KNeighborsClassifier(n_neighbors=5, metric='euclidean')\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "code_repair", "source_file": "007_knn.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: KNN. Zadanie 8\n\nSpróbuj użyć innych dwóch cech.", "input": "Materiał źródłowy:\n## Zadanie 8\n\nSpróbuj użyć innych dwóch cech.\n\n### Rozwiązanie\n\n```python\nX_alt = df[['sepal_length', 'sepal_width']]\n\nsns.scatterplot(x=X_alt['sepal_length'], y=X_alt['sepal_width'], hue=y)\n```\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nX_alt = df[['sepal_length', 'sepal_width']]\n\nsns.scatterplot(x=X_alt['sepal_length'], y=X_alt['sepal_width'], hue=y)\n\nKod Python:\n```python\nX_alt = df[['sepal_length', 'sepal_width']]\n\nsns.scatterplot(x=X_alt['sepal_length'], y=X_alt['sepal_width'], hue=y)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "md_exercise_solution", "source_file": "007_knn.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: wizualizacja danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: wizualizacja danych. Zadanie 10\n\nNarysuj violinplot dla `sepal_length` według `species`.", "input": "Materiał źródłowy:\n## Zadanie 10\n\nNarysuj violinplot dla `sepal_length` według `species`.\n\n### Rozwiązanie\n\n```python\nsns.violinplot(x='species', y='sepal_length', data=df)\n```\n\nChecklist:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nsns.violinplot(x='species', y='sepal_length', data=df)\n\nKod Python:\n```python\nsns.violinplot(x='species', y='sepal_length', data=df)\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "wizualizacja danych", "task_type": "md_exercise_solution", "source_file": "006_wizualizacja_ml.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja liniowa\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `regresja liniowa`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nfrom sklearn.datasets import load_diabetes\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\ndata = load_diabetes()\nX = data.data\ny = data.target\n\nX_train, X_train, y_train, y_train = train_test_split(\n X, y,\n test_size=0.2,\n random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\n\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n\nmse, rmse, r2\n```", "input": "Materiał źródłowy:\nTemat: regresja liniowa\nPoprawny wzorzec pochodzi z materiału: 009_regresja_liniowa.md\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nBłąd jest typowy dla tematu `regresja liniowa`. Należy zastosować poprawną procedurę: wybierz zmienną ciągłą jako y; podziel dane; oceń MSE, RMSE i R2.\n\nKod Python:\n```python\nfrom sklearn.datasets import load_diabetes\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\ndata = load_diabetes()\nX = data.data\ny = data.target\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.2,\n random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\n\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n\nmse, rmse, r2\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "regresja liniowa", "task_type": "code_repair", "source_file": "009_regresja_liniowa.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: PCA\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `wine` z cechami: alcohol, malic_acid, ash, magnesium, flavanoids. Masz zredukuj wymiar danych i sprawdź zachowaną wariancję. Podaj także typowe błędy, których trzeba uniknąć.", "input": "Materiał źródłowy:\nDataset: wine\nCel/target: class\nCechy: alcohol, malic_acid, ash, magnesium, flavanoids\nZadanie: zredukuj wymiar danych i sprawdź zachowaną wariancję\nTemat z ćwiczeń: PCA\n\nChecklist:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów\n\nPułapki:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `PCA`: przeskaluj dane; dobierz liczbę komponentów; sprawdź explained_variance_ratio_. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\n\npca_final = PCA(n_components=n_components)\nX_pca = pca_final.fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_scenario", "source_file": "scenario::wine"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: drzewa decyzyjne\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: drzewa decyzyjne. Zadanie 2\n\nSprawdź rozmiar X i y.", "input": "Materiał źródłowy:\n## Zadanie 2\n\nSprawdź rozmiar X i y.\n\n### Rozwiazanie\n\n```python\nX.shape\n\ny.shape\n```\n\nChecklist:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nX.shape\n\ny.shape\n\nKod Python:\n```python\nX.shape\n\ny.shape\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "drzewa decyzyjne", "task_type": "md_exercise_solution", "source_file": "008_drzewa_decyzyjne.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: PCA\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `wine` z cechami: alcohol, malic_acid, ash, magnesium, flavanoids. Masz zredukuj wymiar danych i sprawdź zachowaną wariancję. Napisz rozwiązanie odporne na data leakage.", "input": "Materiał źródłowy:\nDataset: wine\nCel/target: class\nCechy: alcohol, malic_acid, ash, magnesium, flavanoids\nZadanie: zredukuj wymiar danych i sprawdź zachowaną wariancję\nTemat z ćwiczeń: PCA\n\nChecklist:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów\n\nPułapki:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `PCA`: przeskaluj dane; dobierz liczbę komponentów; sprawdź explained_variance_ratio_. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\n\npca_final = PCA(n_components=n_components)\nX_pca = pca_final.fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_scenario", "source_file": "scenario::wine"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `podział danych i walidacja`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nX_train_70, X_train_70, y_train_70, y_train_70 = train_test_split(X, y, test_size=0.3, random_state=42)\nmodel_70 = DecisionTreeClassifier(random_state=42)\nmodel_70.fit(X_train_70, y_train_70)\nscore_70 = model_70.score(X_test_70, y_test_70)\n\nX_train_80, X_test_80, y_train_80, y_test_80 = train_test_split(X, y, test_size=0.2, random_state=42)\nmodel_80 = DecisionTreeClassifier(random_state=42)\nmodel_80.fit(X_train_80, y_train_80)\nscore_80 = model_80.score(X_test_80, y_test_80)\n\ncv_scores = cross_val_score(DecisionTreeClassifier(random_state=42), X, y, cv=5)\n\nscore_70, score_80, cv_scores.mean()\n```", "input": "Materiał źródłowy:\nTemat: podział danych i walidacja\nPoprawny wzorzec pochodzi z materiału: 005_podzial_danych.md\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nBłąd jest typowy dla tematu `podział danych i walidacja`. Należy zastosować poprawną procedurę: oddziel X i y; użyj train_test_split z random_state; oceń model na danych testowych lub przez cross-validation.\n\nKod Python:\n```python\nX_train_70, X_test_70, y_train_70, y_test_70 = train_test_split(X, y, test_size=0.3, random_state=42)\nmodel_70 = DecisionTreeClassifier(random_state=42)\nmodel_70.fit(X_train_70, y_train_70)\nscore_70 = model_70.score(X_test_70, y_test_70)\n\nX_train_80, X_test_80, y_train_80, y_test_80 = train_test_split(X, y, test_size=0.2, random_state=42)\nmodel_80 = DecisionTreeClassifier(random_state=42)\nmodel_80.fit(X_train_80, y_train_80)\nscore_80 = model_80.score(X_test_80, y_test_80)\n\ncv_scores = cross_val_score(DecisionTreeClassifier(random_state=42), X, y, cv=5)\n\nscore_70, score_80, cv_scores.mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "code_repair", "source_file": "005_podzial_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: regresja logistyczna. Zadanie 10\nDodaj GridSearchCV do pipeline.", "input": "Materiał źródłowy:\n### Zadanie 10\nDodaj GridSearchCV do pipeline.\n\n### Rozwiazanie zadania 10\n\n```python\nfrom sklearn.model_selection import GridSearchCV\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\n\npipeline = Pipeline([\n ('scaler', StandardScaler()),\n ('model', LogisticRegression(max_iter=10000))\n])\n\nparam_grid = {\n 'model__C': [0.01, 0.1, 1, 10],\n 'model__penalty': ['l2']\n}\n\ngrid = GridSearchCV(pipeline, param_grid, cv=5, scoring='accuracy')\ngrid.fit(X_train, y_train)\n\ngrid.best_params_, grid.best_score_\n```\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nfrom sklearn.model_selection import GridSearchCV\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\n\npipeline = Pipeline([\n ('scaler', StandardScaler()),\n ('model', LogisticRegression(max_iter=10000))\n])\n\nparam_grid = {\n 'model__C': [0.01, 0.1, 1, 10],\n 'model__penalty': ['l2']\n}\n\ngrid = GridSearchCV(pipeline, param_grid, cv=5, scoring='accuracy')\ngrid.fit(X_train, y_train)\n\ngrid.best_params_, grid.best_score_\n\nKod Python:\n```python\nfrom sklearn.model_selection import GridSearchCV\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\n\npipeline = Pipeline([\n ('scaler', StandardScaler()),\n ('model', LogisticRegression(max_iter=10000))\n])\n\nparam_grid = {\n 'model__C': [0.01, 0.1, 1, 10],\n 'model__penalty': ['l2']\n}\n\ngrid = GridSearchCV(pipeline, param_grid, cv=5, scoring='accuracy')\ngrid.fit(X_train, y_train)\n\ngrid.best_params_, grid.best_score_\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "md_exercise_solution", "source_file": "010_regresja_logistyczna.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: drzewa decyzyjne\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: drzewa decyzyjne. Zadanie 10\n\nPorównaj wyniki dla różnych głębokości drzewa.", "input": "Materiał źródłowy:\n## Zadanie 10\n\nPorównaj wyniki dla różnych głębokości drzewa.\n\n### Rozwiazanie\n\n```python\ndepth_scores = []\n\nfor depth in [1, 2, 3, 4, 5, None]:\n model_depth = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model_depth.fit(X_train, y_train)\n depth_scores.append({\n 'max_depth': depth,\n 'accuracy': model_depth.score(X_test, y_test)\n })\n\npd.DataFrame(depth_scores)\n```\n\nChecklist:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\ndepth_scores = []\n\nfor depth in [1, 2, 3, 4, 5, None]:\n model_depth = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model_depth.fit(X_train, y_train)\n depth_scores.append({\n 'max_depth': depth,\n 'accuracy': model_depth.score(X_test, y_test)\n })\n\npd.DataFrame(depth_scores)\n\nKod Python:\n```python\ndepth_scores = []\n\nfor depth in [1, 2, 3, 4, 5, None]:\n model_depth = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model_depth.fit(X_train, y_train)\n depth_scores.append({\n 'max_depth': depth,\n 'accuracy': model_depth.score(X_test, y_test)\n })\n\npd.DataFrame(depth_scores)\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "drzewa decyzyjne", "task_type": "md_exercise_solution", "source_file": "008_drzewa_decyzyjne.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: podział danych i walidacja. Zadanie 11\n\n1. Wczytaj dataset\n2. Podziel dane na train/test\n3. Naucz model Decision Tree\n4. Sprawdź accuracy", "input": "Materiał źródłowy:\n## Zadanie 11\n\n1. Wczytaj dataset\n2. Podziel dane na train/test\n3. Naucz model Decision Tree\n4. Sprawdź accuracy\n\n### Rozwiązanie\n\n```python\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n\nKod Python:\n```python\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "md_exercise_solution", "source_file": "005_podzial_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: KNN. Zadanie końcowe 12\n\nPrzetestuj różne wartości:\n\n- k = 1\n- k = 5\n- k = 15\n\nPorównaj granice decyzyjne.", "input": "Materiał źródłowy:\n## Zadanie końcowe 12\n\nPrzetestuj różne wartości:\n\n- k = 1\n- k = 5\n- k = 15\n\nPorównaj granice decyzyjne.\n\n### Rozwiązanie\n\n```python\nfor k in [1, 5, 15]:\n model = KNeighborsClassifier(n_neighbors=k)\n model.fit(X, y_encoded)\n\n Z = model.predict(np.c_[xx.ravel(), yy.ravel()])\n Z = Z.reshape(xx.shape)\n\n plt.contourf(xx, yy, Z, alpha=0.2)\n sns.scatterplot(x=X.iloc[:,0], y=X.iloc[:,1], hue=y)\n plt.title(f\"k = {k}\")\n plt.show()\n```\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nfor k in [1, 5, 15]:\n model = KNeighborsClassifier(n_neighbors=k)\n model.fit(X, y_encoded)\n\n Z = model.predict(np.c_[xx.ravel(), yy.ravel()])\n Z = Z.reshape(xx.shape)\n\n plt.contourf(xx, yy, Z, alpha=0.2)\n sns.scatterplot(x=X.iloc[:,0], y=X.iloc[:,1], hue=y)\n plt.title(f\"k = {k}\")\n plt.show()\n\nKod Python:\n```python\nfor k in [1, 5, 15]:\n model = KNeighborsClassifier(n_neighbors=k)\n model.fit(X, y_encoded)\n\n Z = model.predict(np.c_[xx.ravel(), yy.ravel()])\n Z = Z.reshape(xx.shape)\n\n plt.contourf(xx, yy, Z, alpha=0.2)\n sns.scatterplot(x=X.iloc[:,0], y=X.iloc[:,1], hue=y)\n plt.title(f\"k = {k}\")\n plt.show()\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "md_exercise_solution", "source_file": "007_knn.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: drzewa decyzyjne\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: drzewa decyzyjne. Zadanie 9\n\nNarysuj wykres ważności cech.", "input": "Materiał źródłowy:\n## Zadanie 9\n\nNarysuj wykres ważności cech.\n\n### Rozwiazanie\n\n```python\nimportance.sort_values().plot(kind='barh')\n\nplt.xlabel(\"importance\")\nplt.title(\"Feature importance\")\nplt.show()\n```\n\nChecklist:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nimportance.sort_values().plot(kind='barh')\n\nplt.xlabel(\"importance\")\nplt.title(\"Feature importance\")\nplt.show()\n\nKod Python:\n```python\nimportance.sort_values().plot(kind='barh')\n\nplt.xlabel(\"importance\")\nplt.title(\"Feature importance\")\nplt.show()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "drzewa decyzyjne", "task_type": "md_exercise_solution", "source_file": "008_drzewa_decyzyjne.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: braki danych i outliery\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `Titanic` z cechami: age, fare, sex, class, embarked. Masz przygotuj dane z brakami i wartościami odstającymi przed klasyfikacją przeżycia. Podaj także typowe błędy, których trzeba uniknąć.", "input": "Materiał źródłowy:\nDataset: Titanic\nCel/target: survived\nCechy: age, fare, sex, class, embarked\nZadanie: przygotuj dane z brakami i wartościami odstającymi przed klasyfikacją przeżycia\nTemat z ćwiczeń: braki danych i outliery\n\nChecklist:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację\n\nPułapki:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `braki danych i outliery`: policz braki isna().sum(); uzupełnij lub usuń braki świadomie; wykryj outliery metodą IQR albo boxplotem. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\ndf['age'] = df['age'].fillna(df['age'].median())\ndf['fare'] = df['fare'].fillna(df['fare'].median())\n\nq1 = df['fare'].quantile(0.25)\nq3 = df['fare'].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf['fare_winsor'] = df['fare'].clip(lower, upper)\n```\n\nNa co uważać:\nNie uzupełniaj wszystkich kolumn jedną średnią; nie licz IQR na złej kolumnie; nie usuwaj danych bez sprawdzenia skali problemu.", "topic": "braki danych i outliery", "task_type": "exam_scenario", "source_file": "scenario::Titanic"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `KNN`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nX = df[['petal_length', 'petal_width']]\ny = df['species']\n\nX_train, X_train, y_train, y_train = train_test_split(X, y, test_size=0.2, random_state=42)\n\nmodel = KNeighborsClassifier(n_neighbors=5)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```", "input": "Materiał źródłowy:\nTemat: KNN\nPoprawny wzorzec pochodzi z materiału: 007_knn.md\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nBłąd jest typowy dla tematu `KNN`. Należy zastosować poprawną procedurę: wybierz cechy i etykietę; przeskaluj dane; przetestuj kilka wartości k.\n\nKod Python:\n```python\nX = df[['petal_length', 'petal_width']]\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\nmodel = KNeighborsClassifier(n_neighbors=5)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "code_repair", "source_file": "007_knn.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: podział danych i walidacja. Zadanie 9\n\nWyjaśnij dlaczego trenowanie modelu na całym zbiorze jest błędem.", "input": "Materiał źródłowy:\n## Zadanie 9\n\nWyjaśnij dlaczego trenowanie modelu na całym zbiorze jest błędem.\n\n### Rozwiązanie\n\nTrenowanie modelu na całym zbiorze powoduje data leakage, bo model widzi także dane testowe. W efekcie wynik oceny jest zbyt optymistyczny i nie pokazuje realnej jakości modelu na nowych danych.\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nTrenowanie modelu na całym zbiorze powoduje data leakage, bo model widzi także dane testowe. W efekcie wynik oceny jest zbyt optymistyczny i nie pokazuje realnej jakości modelu na nowych danych.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, stratify=y, random_state=42\n)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "md_exercise_solution", "source_file": "005_podzial_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: regresja logistyczna. Zadanie 6\nPorównaj model przed i po skalowaniu.", "input": "Materiał źródłowy:\n### Zadanie 6\nPorównaj model przed i po skalowaniu.\n\n### Rozwiazanie zadania 6\n\n```python\nmodel_raw = LogisticRegression(max_iter=10000)\nmodel_raw.fit(X, y)\nraw_score = model_raw.score(X, y)\n\nscaler = StandardScaler()\nX_scaled = scaler.fit_transform(X)\n\nmodel_scaled = LogisticRegression(max_iter=10000)\nmodel_scaled.fit(X_scaled, y)\nscaled_score = model_scaled.score(X_scaled, y)\n\nraw_score, scaled_score\n```\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nmodel_raw = LogisticRegression(max_iter=10000)\nmodel_raw.fit(X, y)\nraw_score = model_raw.score(X, y)\n\nscaler = StandardScaler()\nX_scaled = scaler.fit_transform(X)\n\nmodel_scaled = LogisticRegression(max_iter=10000)\nmodel_scaled.fit(X_scaled, y)\nscaled_score = model_scaled.score(X_scaled, y)\n\nraw_score, scaled_score\n\nKod Python:\n```python\nmodel_raw = LogisticRegression(max_iter=10000)\nmodel_raw.fit(X, y)\nraw_score = model_raw.score(X, y)\n\nscaler = StandardScaler()\nX_scaled = scaler.fit_transform(X)\n\nmodel_scaled = LogisticRegression(max_iter=10000)\nmodel_scaled.fit(X_scaled, y)\nscaled_score = model_scaled.score(X_scaled, y)\n\nraw_score, scaled_score\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "md_exercise_solution", "source_file": "010_regresja_logistyczna.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: regresja logistyczna. Zadanie 1\nSprawdź accuracy dla różnych podziałów danych (zmień random_state).\n\nhttps://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html", "input": "Materiał źródłowy:\n### Zadanie 1\nSprawdź accuracy dla różnych podziałów danych (zmień random_state).\n\nhttps://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html\n\n### Rozwiazanie zadania 1\n\n```python\nfor state in [0, 1, 42, 100]:\n X_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=state\n )\n\n model = LogisticRegression(max_iter=10000)\n model.fit(X_train, y_train)\n y_pred = model.predict(X_test)\n\n print(state, accuracy_score(y_test, y_pred))\n```\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nfor state in [0, 1, 42, 100]:\n X_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=state\n )\n\n model = LogisticRegression(max_iter=10000)\n model.fit(X_train, y_train)\n y_pred = model.predict(X_test)\n\n print(state, accuracy_score(y_test, y_pred))\n\nKod Python:\n```python\nfor state in [0, 1, 42, 100]:\n X_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=state\n )\n\n model = LogisticRegression(max_iter=10000)\n model.fit(X_train, y_train)\n y_pred = model.predict(X_test)\n\n print(state, accuracy_score(y_test, y_pred))\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "md_exercise_solution", "source_file": "010_regresja_logistyczna.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: klasteryzacja\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `customers` z cechami: age, annual_income, spending_score. Masz wykonaj segmentację klientów metodą KMeans. Podaj minimalne kroki i kod.", "input": "Materiał źródłowy:\nDataset: customers\nCel/target: brak etykiety\nCechy: age, annual_income, spending_score\nZadanie: wykonaj segmentację klientów metodą KMeans\nTemat z ćwiczeń: klasteryzacja\n\nChecklist:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry\n\nPułapki:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `klasteryzacja`: przeskaluj dane; dobierz K metodą łokcia; zwizualizuj klastry i centroidy. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "exam_scenario", "source_file": "scenario::customers"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: klasteryzacja\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `customers` z cechami: age, annual_income, spending_score. Masz wykonaj segmentację klientów metodą KMeans. Zaproponuj metrykę oceny i uzasadnij wybór.", "input": "Materiał źródłowy:\nDataset: customers\nCel/target: brak etykiety\nCechy: age, annual_income, spending_score\nZadanie: wykonaj segmentację klientów metodą KMeans\nTemat z ćwiczeń: klasteryzacja\n\nChecklist:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry\n\nPułapki:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `klasteryzacja`: przeskaluj dane; dobierz K metodą łokcia; zwizualizuj klastry i centroidy. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "exam_scenario", "source_file": "scenario::customers"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: pozyskiwanie danych\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: pozyskiwanie danych. Zadanie 7\n\nWczytaj pierwsze 50 wierszy datasetu.\nfirst_50 = pd.read_csv(\n \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\",\n nrows=50\n)\n\nfirst_50.head()", "input": "Materiał źródłowy:\n## Zadanie 7\n\nWczytaj pierwsze 50 wierszy datasetu.\n```python\nfirst_50 = pd.read_csv(\n \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\",\n nrows=50\n)\n\nfirst_50.head()\n\n```\n\nChecklist:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nfirst_50 = pd.read_csv(\n \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\",\n nrows=50\n)\n\nfirst_50.head()\n\nKod Python:\n```python\nfirst_50 = pd.read_csv(\n \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\",\n nrows=50\n)\n\nfirst_50.head()\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "pozyskiwanie danych", "task_type": "md_exercise_solution", "source_file": "001_pozyskiwanie_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: podział danych i walidacja\nTyp zadania: code_repair\nPolecenie:\nNa kolokwium widzisz poniższy kod dla tematu `podział danych i walidacja`, ale zawiera typowy błąd. Wskaż problem i popraw kod.\n\n```python\nX_train_a, X_train_a, y_train_a, y_train_a = train_test_split(X, y, test_size=0.2, random_state=1)\nX_train_b, X_test_b, y_train_b, y_test_b = train_test_split(X, y, test_size=0.2, random_state=2)\n\nX_train_a.equals(X_train_b)\n```", "input": "Materiał źródłowy:\nTemat: podział danych i walidacja\nPoprawny wzorzec pochodzi z materiału: 005_podzial_danych.md\nZadanie polega na naprawieniu błędnego kodu.\n\nChecklist:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation\n\nPułapki:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "output": "Plan:\nBłąd jest typowy dla tematu `podział danych i walidacja`. Należy zastosować poprawną procedurę: oddziel X i y; użyj train_test_split z random_state; oceń model na danych testowych lub przez cross-validation.\n\nKod Python:\n```python\nX_train_a, X_test_a, y_train_a, y_test_a = train_test_split(X, y, test_size=0.2, random_state=1)\nX_train_b, X_test_b, y_train_b, y_test_b = train_test_split(X, y, test_size=0.2, random_state=2)\n\nX_train_a.equals(X_train_b)\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "code_repair", "source_file": "005_podzial_danych.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: normalizacja i kodowanie. Zadanie 4\n\nZastosuj standaryzację do kolumny `bill_depth_mm`.", "input": "Materiał źródłowy:\n## Zadanie 4\n\nZastosuj standaryzację do kolumny `bill_depth_mm`.\n\n### Rozwiązanie\n\n```python\nfrom sklearn.preprocessing import StandardScaler\n\nscaler = StandardScaler()\n\ndf[['bill_depth_standard']] = scaler.fit_transform(df[['bill_depth_mm']])\n\ndf[['bill_depth_mm', 'bill_depth_standard']].head()\n```\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\nfrom sklearn.preprocessing import StandardScaler\n\nscaler = StandardScaler()\n\ndf[['bill_depth_standard']] = scaler.fit_transform(df[['bill_depth_mm']])\n\ndf[['bill_depth_mm', 'bill_depth_standard']].head()\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\n\nscaler = StandardScaler()\n\ndf[['bill_depth_standard']] = scaler.fit_transform(df[['bill_depth_mm']])\n\ndf[['bill_depth_mm', 'bill_depth_standard']].head()\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "md_exercise_solution", "source_file": "003_normalizacja_kodowanie.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja logistyczna\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: regresja logistyczna. Zadanie 2\nNarysuj sigmoid dla zakresu [-5,5] i porównaj wykres.", "input": "Materiał źródłowy:\n### Zadanie 2\nNarysuj sigmoid dla zakresu [-5,5] i porównaj wykres.\n\n### Rozwiazanie zadania 2\n\n```python\nz = np.linspace(-5, 5, 100)\ns = sigmoid(z)\n\nplt.plot(z, s)\nplt.title(\"Funkcja sigmoidalna [-5, 5]\")\nplt.xlabel(\"z\")\nplt.ylabel(\"sigmoid(z)\")\nplt.show()\n```\n\nChecklist:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall\n\nPułapki:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "output": "Plan:\nz = np.linspace(-5, 5, 100)\ns = sigmoid(z)\n\nplt.plot(z, s)\nplt.title(\"Funkcja sigmoidalna [-5, 5]\")\nplt.xlabel(\"z\")\nplt.ylabel(\"sigmoid(z)\")\nplt.show()\n\nKod Python:\n```python\nz = np.linspace(-5, 5, 100)\ns = sigmoid(z)\n\nplt.plot(z, s)\nplt.title(\"Funkcja sigmoidalna [-5, 5]\")\nplt.xlabel(\"z\")\nplt.ylabel(\"sigmoid(z)\")\nplt.show()\n```\n\nNa co uważać:\nNie interpretuj regresji logistycznej jako regresji ciągłej; pilnuj progu klasyfikacji i skalowania.", "topic": "regresja logistyczna", "task_type": "md_exercise_solution", "source_file": "010_regresja_logistyczna.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: normalizacja i kodowanie. Zadanie 7\n\nZakoduj kolumnę `sex`.", "input": "Materiał źródłowy:\n## Zadanie 7\n\nZakoduj kolumnę `sex`.\n\n### Rozwiązanie\n\n```python\nfrom sklearn.preprocessing import LabelEncoder\n\nencoder = LabelEncoder()\n\ndf['sex_encoded'] = encoder.fit_transform(df['sex'])\n\ndf[['sex', 'sex_encoded']].head()\n```\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\nfrom sklearn.preprocessing import LabelEncoder\n\nencoder = LabelEncoder()\n\ndf['sex_encoded'] = encoder.fit_transform(df['sex'])\n\ndf[['sex', 'sex_encoded']].head()\n\nKod Python:\n```python\nfrom sklearn.preprocessing import LabelEncoder\n\nencoder = LabelEncoder()\n\ndf['sex_encoded'] = encoder.fit_transform(df['sex'])\n\ndf[['sex', 'sex_encoded']].head()\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "md_exercise_solution", "source_file": "003_normalizacja_kodowanie.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: normalizacja i kodowanie. Zadanie 9\n\nSprawdź ile kolumn powstało po kodowaniu.", "input": "Materiał źródłowy:\n## Zadanie 9\n\nSprawdź ile kolumn powstało po kodowaniu.\n\n### Rozwiązanie\n\n```python\ndf_encoded = pd.get_dummies(df, columns=['species', 'island', 'sex'])\n\ndf_encoded.shape[1]\n```\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\ndf_encoded = pd.get_dummies(df, columns=['species', 'island', 'sex'])\n\ndf_encoded.shape[1]\n\nKod Python:\n```python\ndf_encoded = pd.get_dummies(df, columns=['species', 'island', 'sex'])\n\ndf_encoded.shape[1]\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "md_exercise_solution", "source_file": "003_normalizacja_kodowanie.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: regresja liniowa\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: regresja liniowa. Zadanie 6\nSprawdź R² dla innych danych.", "input": "Materiał źródłowy:\n### Zadanie 6\nSprawdź R² dla innych danych.\n\n### Rozwiazanie zadania 6\n\n```python\nr2_more = r2_score(y_more, y_more_pred)\n\nr2_more\n```\n\nChecklist:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2\n\nPułapki:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "output": "Plan:\nr2_more = r2_score(y_more, y_more_pred)\n\nr2_more\n\nKod Python:\n```python\nr2_more = r2_score(y_more, y_more_pred)\n\nr2_more\n```\n\nNa co uważać:\nNie pomijaj eksploracji danych; nie mieszaj danych testowych z treningowymi; zawsze sprawdź typy kolumn.", "topic": "regresja liniowa", "task_type": "md_exercise_solution", "source_file": "009_regresja_liniowa.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: klasteryzacja\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: klasteryzacja. Zadanie 1\nZmień liczbę klastrów na 4 i 5. Jak zmienia się wynik?", "input": "Materiał źródłowy:\n### Zadanie 1\nZmień liczbę klastrów na 4 i 5. Jak zmienia się wynik?\n\n### Rozwiazanie zadania 1\n\n```python\nfor k in [4, 5]:\n kmeans = KMeans(n_clusters=k, random_state=42)\n labels = kmeans.fit_predict(X)\n\n plt.scatter(X[:, 0], X[:, 1], c=labels)\n plt.title(f\"K-means, K={k}\")\n plt.show()\n```\n\nChecklist:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry\n\nPułapki:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "output": "Plan:\nfor k in [4, 5]:\n kmeans = KMeans(n_clusters=k, random_state=42)\n labels = kmeans.fit_predict(X)\n\n plt.scatter(X[:, 0], X[:, 1], c=labels)\n plt.title(f\"K-means, K={k}\")\n plt.show()\n\nKod Python:\n```python\nfor k in [4, 5]:\n kmeans = KMeans(n_clusters=k, random_state=42)\n labels = kmeans.fit_predict(X)\n\n plt.scatter(X[:, 0], X[:, 1], c=labels)\n plt.title(f\"K-means, K={k}\")\n plt.show()\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "md_exercise_solution", "source_file": "011_klastry.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: KNN\nTyp zadania: exam_scenario\nPolecenie:\nNa kolokwium dostajesz dataset `iris` z cechami: petal_length, petal_width, sepal_length, sepal_width. Masz dobierz k i oceń klasyfikator KNN. Podaj także typowe błędy, których trzeba uniknąć.", "input": "Materiał źródłowy:\nDataset: iris\nCel/target: species\nCechy: petal_length, petal_width, sepal_length, sepal_width\nZadanie: dobierz k i oceń klasyfikator KNN\nTemat z ćwiczeń: KNN\n\nChecklist:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech\n\nPułapki:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "output": "Plan:\nNajpierw wykonaj krótką eksplorację danych, sprawdź typy, braki i rozmiar. Następnie zastosuj procedurę właściwą dla tematu `KNN`: wybierz cechy i etykietę; przeskaluj dane; przetestuj kilka wartości k. Na końcu oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\n\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_scenario", "source_file": "scenario::iris"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: normalizacja i kodowanie\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: normalizacja i kodowanie. Zadanie 2\n\nSprawdź minimalne i maksymalne wartości dla:\n\n- bill_length_mm\n- body_mass_g", "input": "Materiał źródłowy:\n## Zadanie 2\n\nSprawdź minimalne i maksymalne wartości dla:\n\n- bill_length_mm\n- body_mass_g\n\n### Rozwiązanie\n\n```python\ndf[['bill_length_mm', 'body_mass_g']].agg(['min', 'max'])\n```\n\nChecklist:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage\n\nPułapki:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "output": "Plan:\ndf[['bill_length_mm', 'body_mass_g']].agg(['min', 'max'])\n\nKod Python:\n```python\ndf[['bill_length_mm', 'body_mass_g']].agg(['min', 'max'])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "md_exercise_solution", "source_file": "003_normalizacja_kodowanie.md"} -{"instruction": "Na kolokwium rozwiąż zadanie z uczenia maszynowego w Pythonie. Odpowiedz praktycznie: plan, kod, metryki i pułapki.\n\nTemat: PCA\nTyp zadania: md_exercise_solution\nPolecenie:\nNa kolokwium dostajesz nieznany dataset. Wykonaj zadanie z obszaru: PCA. Zadanie 1\nSprawdź liczbę próbek i cech w zbiorze.", "input": "Materiał źródłowy:\n### Zadanie 1\nSprawdź liczbę próbek i cech w zbiorze.\n\n### Rozwiazanie zadania 1\n\n```python\nX.shape\n```\n\nChecklist:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów\n\nPułapki:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "output": "Plan:\nX.shape\n\nKod Python:\n```python\nX.shape\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "md_exercise_solution", "source_file": "012_pca.md"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj model przed i po skalowaniu. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: porównaj max_depth i wskaż ryzyko overfittingu. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: sprawdź feature_importances_ i zinterpretuj wynik. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: porównaj model przed i po skalowaniu. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wykonaj PCA po skalowaniu danych. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: oceń klasyfikator raportem klasyfikacji. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: zastosuj StandardScaler lub MinMaxScaler we właściwym miejscu. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: pokaż dlaczego skalowanie jest ważne dla KNN. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: porównaj usuwanie outlierów z winsoryzacją. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: pokaż dlaczego skalowanie jest ważne dla KNN. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: porównaj metryki odległości dla KNN. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wykonaj KMeans na danych bez etykiet. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasteryzacja`: usuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: oceń klasyfikator raportem klasyfikacji. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj usuwanie outlierów z winsoryzacją. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: oceń klasyfikator raportem klasyfikacji. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wykryj potencjalne outliery na wykresach. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: zbuduj model regresji dla zmiennej ciągłej. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja liniowa`: wybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: znajdź wartości odstające metodą IQR. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: sprawdź feature_importances_ i zinterpretuj wynik. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: pokaż dlaczego skalowanie jest ważne dla KNN. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z lab��w i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj train/test split z cross-validation. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: porównaj train/test split z cross-validation. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: sprawdź zależności między cechami i klasą. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: znajdź wartości odstające metodą IQR. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: dobierz liczbę komponentów dla 95% wariancji. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj train/test split z cross-validation. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj usuwanie outlierów z winsoryzacją. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj model przed i po skalowaniu. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: oceń confusion matrix, precision, recall i ROC AUC. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: porównaj model z PCA i bez PCA. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: przygotuj preprocessing numeryczny i kategoryczny. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: porównaj metryki odległości dla KNN. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: porównaj usuwanie outlierów z winsoryzacją. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: zakoduj zmienne kategoryczne metodą one-hot. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wykryj potencjalne outliery na wykresach. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: zinterpretuj współczynniki regresji i wykres reszt. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja liniowa`: wybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: porównaj usuwanie outlierów z winsoryzacją. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wykryj potencjalne outliery na wykresach. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wykonaj KMeans na danych bez etykiet. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasteryzacja`: usuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wyjaśnij różnicę między cechami X i etykietą y. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wytrenuj KNN i dobierz parametr k. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: sprawdź zależności między cechami i klasą. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wykryj potencjalne outliery na wykresach. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wykonaj PCA po skalowaniu danych. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wykryj potencjalne outliery na wykresach. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: porównaj max_depth i wskaż ryzyko overfittingu. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: znajdź wartości odstające metodą IQR. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: sprawdź feature_importances_ i zinterpretuj wynik. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: porównaj train/test split z cross-validation. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: porównaj max_depth i wskaż ryzyko overfittingu. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: porównaj metryki odległości dla KNN. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: pokaż dlaczego skalowanie jest ważne dla KNN. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wytrenuj KNN i dobierz parametr k. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: sprawdź zależności między cechami i klasą. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: sprawdź feature_importances_ i zinterpretuj wynik. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: sprawdź feature_importances_ i zinterpretuj wynik. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wyjaśnij różnicę między cechami X i etykietą y. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: przygotuj preprocessing numeryczny i kategoryczny. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: sprawdź zależności między cechami i klasą. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpozna�� typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: porównaj model przed i po skalowaniu. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj usuwanie outlierów z winsoryzacją. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wytrenuj KNN i dobierz parametr k. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wyjaśnij różnicę między cechami X i etykietą y. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: przygotuj preprocessing numeryczny i kategoryczny. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: porównaj model przed i po skalowaniu. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wykonaj KMeans na danych bez etykiet. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasteryzacja`: usuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wyjaśnij różnicę między cechami X i etykietą y. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: sprawdź zależności między cechami i klasą. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wytrenuj KNN i dobierz parametr k. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: oceń confusion matrix, precision, recall i ROC AUC. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: porównaj model z PCA i bez PCA. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: porównaj max_depth i wskaż ryzyko overfittingu. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wyjaśnij różnicę między cechami X i etykietą y. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: zastosuj StandardScaler lub MinMaxScaler we właściwym miejscu. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: porównaj train/test split z cross-validation. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wyjaśnij różnicę między cechami X i etykietą y. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: pokaż dlaczego skalowanie jest ważne dla KNN. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: porównaj usuwanie outlierów z winsoryzacją. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: zbuduj klasyfikator binarny regresją logistyczną. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wykryj braki danych i zaproponuj sposób ich uzupełnienia. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: sprawdź zależności między cechami i klasą. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: oceń klasyfikator raportem klasyfikacji. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wytrenuj KNN i dobierz parametr k. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wyjaśnij różnicę między cechami X i etykiet�� y. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: porównaj train/test split z cross-validation. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wyjaśnij różnicę między cechami X i etykietą y. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: porównaj max_depth i wskaż ryzyko overfittingu. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: zinterpretuj klastry i centroidy. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasteryzacja`: usuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: porównaj model przed i po skalowaniu. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wykryj potencjalne outliery na wykresach. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: sprawdź feature_importances_ i zinterpretuj wynik. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wyjaśnij różnicę między cechami X i etykietą y. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: porównaj usuwanie outlierów z winsoryzacją. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj train/test split z cross-validation. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: sprawdź zależności między cechami i klasą. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: porównaj usuwanie outlierów z winsoryzacją. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: oceń MSE, RMSE i R2. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja liniowa`: wybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: porównaj model z PCA i bez PCA. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: oceń klasyfikator raportem klasyfikacji. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: porównaj usuwanie outlierów z winsoryzacją. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: porównaj max_depth i wskaż ryzyko overfittingu. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wykryj braki danych i zaproponuj sposób ich uzupełnienia. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: oceń klasyfikator raportem klasyfikacji. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wykryj braki danych i zaproponuj sposób ich uzupełnienia. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj max_depth i wskaż ryzyko overfittingu. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: znajdź wartości odstające metodą IQR. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: pokaż dlaczego skalowanie jest ważne dla KNN. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: porównaj model z PCA i bez PCA. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: zinterpretuj współczynniki regresji i wykres reszt. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja liniowa`: wybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: porównaj max_depth i wskaż ryzyko overfittingu. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: porównaj max_depth i wskaż ryzyko overfittingu. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: zbuduj klasyfikator binarny regresją logistyczną. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wykonaj PCA po skalowaniu danych. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: oceń confusion matrix, precision, recall i ROC AUC. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: zastosuj StandardScaler lub MinMaxScaler we właściwym miejscu. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: sprawdź feature_importances_ i zinterpretuj wynik. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: sprawdź zależności między cechami i klasą. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: sprawdź zależności między cechami i klasą. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: zinterpretuj współczynniki regresji i wykres reszt. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja liniowa`: wybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: dobierz liczbę komponentów dla 95% wariancji. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wyjaśnij różnicę między cechami X i etykietą y. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: pokaż dlaczego skalowanie jest ważne dla KNN. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: pokaż dlaczego skalowanie jest ważne dla KNN. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: znajdź wartości odstające metodą IQR. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wykryj potencjalne outliery na wykresach. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wykonaj PCA po skalowaniu danych. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wykryj potencjalne outliery na wykresach. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj max_depth i wskaż ryzyko overfittingu. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wykonaj PCA po skalowaniu danych. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: porównaj metryki odległości dla KNN. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wytrenuj KNN i dobierz parametr k. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wykryj braki danych i zaproponuj sposób ich uzupełnienia. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: przygotuj preprocessing numeryczny i kategoryczny. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: sprawdź feature_importances_ i zinterpretuj wynik. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wyjaśnij różnicę między cechami X i etykietą y. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: zbuduj model regresji dla zmiennej ciągłej. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja liniowa`: wybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wykryj potencjalne outliery na wykresach. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: sprawdź feature_importances_ i zinterpretuj wynik. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: porównaj usuwanie outlierów z winsoryzacją. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: sprawdź feature_importances_ i zinterpretuj wynik. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: porównaj usuwanie outlierów z winsoryzacją. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: sprawdź zależności między cechami i klasą. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: zinterpretuj klastry i centroidy. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasteryzacja`: usuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: zastosuj StandardScaler lub MinMaxScaler we właściwym miejscu. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: dobierz liczbę komponentów dla 95% wariancji. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: sprawdź feature_importances_ i zinterpretuj wynik. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: zinterpretuj klastry i centroidy. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasteryzacja`: usuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: pokaż dlaczego skalowanie jest ważne dla KNN. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, je��li istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: pokaż dlaczego skalowanie jest ważne dla KNN. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: przygotuj preprocessing numeryczny i kategoryczny. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: oceń klasyfikator raportem klasyfikacji. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: znajdź wartości odstające metodą IQR. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: zastosuj StandardScaler lub MinMaxScaler we właściwym miejscu. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: sprawdź zależności między cechami i klasą. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: zbuduj klasyfikator binarny regresją logistyczną. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj model przed i po skalowaniu. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: porównaj train/test split z cross-validation. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wykonaj PCA po skalowaniu danych. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: zakoduj zmienne kategoryczne metodą one-hot. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: porównaj max_depth i wskaż ryzyko overfittingu. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: zinterpretuj klastry i centroidy. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasteryzacja`: usuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: sprawdź zależności między cechami i klasą. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wykryj braki danych i zaproponuj sposób ich uzupełnienia. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wykryj potencjalne outliery na wykresach. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: zbuduj klasyfikator binarny regresją logistyczną. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: pokaż dlaczego skalowanie jest ważne dla KNN. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wyjaśnij różnicę między cechami X i etykietą y. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wytrenuj KNN i dobierz parametr k. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: porównaj metryki odległości dla KNN. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: zinterpretuj współczynniki regresji i wykres reszt. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja liniowa`: wybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: zakoduj zmienne kategoryczne metodą one-hot. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wykonaj KMeans na danych bez etykiet. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasteryzacja`: usuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: oceń klasyfikator raportem klasyfikacji. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: sprawdź feature_importances_ i zinterpretuj wynik. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: porównaj model z PCA i bez PCA. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: sprawdź zależności między cechami i klasą. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: zbuduj klasyfikator binarny regresją logistyczną. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: porównaj max_depth i wskaż ryzyko overfittingu. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: zakoduj zmienne kategoryczne metodą one-hot. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: dobierz liczbę komponentów dla 95% wariancji. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: zastosuj StandardScaler lub MinMaxScaler we właściwym miejscu. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wykonaj KMeans na danych bez etykiet. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasteryzacja`: usuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj usuwanie outlierów z winsoryzacją. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wykryj braki danych i zaproponuj sposób ich uzupełnienia. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: znajdź wartości odstające metodą IQR. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wykryj potencjalne outliery na wykresach. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: zakoduj zmienne kategoryczne metodą one-hot. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj metryki odległości dla KNN. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: zinterpretuj współczynniki regresji i wykres reszt. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja liniowa`: wybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: porównaj train/test split z cross-validation. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: pokaż dlaczego skalowanie jest ważne dla KNN. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: oceń confusion matrix, precision, recall i ROC AUC. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: sprawdź zależności między cechami i klasą. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wykonaj PCA po skalowaniu danych. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wytrenuj KNN i dobierz parametr k. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: porównaj train/test split z cross-validation. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj max_depth i wskaż ryzyko overfittingu. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wykryj braki danych i zaproponuj sposób ich uzupełnienia. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: porównaj train/test split z cross-validation. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: oceń confusion matrix, precision, recall i ROC AUC. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: porównaj metryki odległości dla KNN. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: porównaj model z PCA i bez PCA. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wykryj braki danych i zaproponuj sposób ich uzupełnienia. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wyjaśnij różnicę między cechami X i etykietą y. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: pokaż dlaczego skalowanie jest ważne dla KNN. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj metryki odległości dla KNN. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj max_depth i wskaż ryzyko overfittingu. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: oceń klasyfikator raportem klasyfikacji. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: oceń confusion matrix, precision, recall i ROC AUC. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotowa�� dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wykryj potencjalne outliery na wykresach. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj model przed i po skalowaniu. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: znajdź wartości odstające metodą IQR. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: porównaj model z PCA i bez PCA. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: zbuduj klasyfikator binarny regresją logistyczną. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: porównaj train/test split z cross-validation. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: znajdź wartości odstające metodą IQR. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj model przed i po skalowaniu. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: oceń klasyfikator raportem klasyfikacji. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wykonaj PCA po skalowaniu danych. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: porównaj model przed i po skalowaniu. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: pokaż dlaczego skalowanie jest ważne dla KNN. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj metryki odległości dla KNN. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wykryj potencjalne outliery na wykresach. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: porównaj max_depth i wskaż ryzyko overfittingu. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: przygotuj preprocessing numeryczny i kategoryczny. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: sprawdź zależności między cechami i klasą. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: zbuduj klasyfikator binarny regresją logistyczną. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: sprawdź zależności między cechami i klasą. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: porównaj train/test split z cross-validation. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: przygotuj preprocessing numeryczny i kategoryczny. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wykryj braki danych i zaproponuj sposób ich uzupełnienia. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: zastosuj StandardScaler lub MinMaxScaler we właściwym miejscu. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wykonaj PCA po skalowaniu danych. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wyjaśnij różnicę między cechami X i etykietą y. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: zinterpretuj współczynniki regresji i wykres reszt. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja liniowa`: wybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: oceń klasyfikator raportem klasyfikacji. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: oceń MSE, RMSE i R2. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja liniowa`: wybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: porównaj max_depth i wskaż ryzyko overfittingu. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: porównaj metryki odległości dla KNN. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wykryj braki danych i zaproponuj sposób ich uzupełnienia. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: oceń klasyfikator raportem klasyfikacji. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: oceń klasyfikator raportem klasyfikacji. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wytrenuj KNN i dobierz parametr k. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: porównaj metryki odległości dla KNN. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: zastosuj StandardScaler lub MinMaxScaler we właściwym miejscu. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: porównaj model przed i po skalowaniu. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: porównaj usuwanie outlierów z winsoryzacją. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: zakoduj zmienne kategoryczne metodą one-hot. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: porównaj metryki odległości dla KNN. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: zbuduj model regresji dla zmiennej ciągłej. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja liniowa`: wybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wykryj potencjalne outliery na wykresach. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: sprawdź feature_importances_ i zinterpretuj wynik. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: sprawdź feature_importances_ i zinterpretuj wynik. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wyjaśnij różnicę między cechami X i etykietą y. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiedni�� metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wykonaj KMeans na danych bez etykiet. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasteryzacja`: usuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: porównaj train/test split z cross-validation. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: znajdź wartości odstające metodą IQR. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wytrenuj KNN i dobierz parametr k. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: oceń confusion matrix, precision, recall i ROC AUC. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: sprawdź feature_importances_ i zinterpretuj wynik. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: sprawdź zależności między cechami i klasą. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wytrenuj KNN i dobierz parametr k. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryk�� albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: pokaż dlaczego skalowanie jest ważne dla KNN. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wytrenuj KNN i dobierz parametr k. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: oceń klasyfikator raportem klasyfikacji. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wyjaśnij różnicę między cechami X i etykietą y. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wykryj potencjalne outliery na wykresach. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: zinterpretuj współczynniki regresji i wykres reszt. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja liniowa`: wybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: zastosuj StandardScaler lub MinMaxScaler we właściwym miejscu. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wykryj potencjalne outliery na wykresach. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: zinterpretuj klastry i centroidy. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasteryzacja`: usuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wytrenuj KNN i dobierz parametr k. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wytrenuj KNN i dobierz parametr k. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wytrenuj KNN i dobierz parametr k. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wytrenuj KNN i dobierz parametr k. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: oceń confusion matrix, precision, recall i ROC AUC. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: znajdź wartości odstające metodą IQR. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: porównaj model z PCA i bez PCA. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj max_depth i wskaż ryzyko overfittingu. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: oceń klasyfikator raportem klasyfikacji. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: porównaj max_depth i wskaż ryzyko overfittingu. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: sprawdź feature_importances_ i zinterpretuj wynik. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: oceń MSE, RMSE i R2. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja liniowa`: wybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: oceń confusion matrix, precision, recall i ROC AUC. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: porównaj train/test split z cross-validation. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: sprawdź feature_importances_ i zinterpretuj wynik. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz doj��ć do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wyjaśnij różnicę między cechami X i etykietą y. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: dobierz K metodą łokcia. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasteryzacja`: usuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: sprawdź feature_importances_ i zinterpretuj wynik. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wykryj potencjalne outliery na wykresach. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wykryj potencjalne outliery na wykresach. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: oceń confusion matrix, precision, recall i ROC AUC. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wykryj potencjalne outliery na wykresach. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wykryj potencjalne outliery na wykresach. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: zastosuj StandardScaler lub MinMaxScaler we właściwym miejscu. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: znajdź wartości odstające metodą IQR. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: porównaj max_depth i wskaż ryzyko overfittingu. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wykryj potencjalne outliery na wykresach. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: pokaż dlaczego skalowanie jest ważne dla KNN. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: zbuduj klasyfikator binarny regresją logistyczną. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: sprawdź zależności między cechami i klasą. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: pokaż dlaczego skalowanie jest ważne dla KNN. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wykryj potencjalne outliery na wykresach. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wykryj potencjalne outliery na wykresach. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: porównaj model przed i po skalowaniu. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: zakoduj zmienne kategoryczne metodą one-hot. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: porównaj max_depth i wskaż ryzyko overfittingu. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: pokaż dlaczego skalowanie jest ważne dla KNN. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: dobierz K metodą łokcia. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasteryzacja`: usuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: zbuduj model regresji dla zmiennej ciągłej. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja liniowa`: wybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj train/test split z cross-validation. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: zakoduj zmienne kategoryczne metodą one-hot. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wykonaj KMeans na danych bez etykiet. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasteryzacja`: usuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: zbuduj klasyfikator binarny regresją logistyczną. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: zakoduj zmienne kategoryczne metodą one-hot. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: oceń klasyfikator raportem klasyfikacji. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: zakoduj zmienne kategoryczne metodą one-hot. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: porównaj train/test split z cross-validation. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wykryj potencjalne outliery na wykresach. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: zbuduj model regresji dla zmiennej ciągłej. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja liniowa`: wybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: dobierz K metodą łokcia. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasteryzacja`: usuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wykryj braki danych i zaproponuj sposób ich uzupełnienia. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj model przed i po skalowaniu. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z lab��w i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: pokaż dlaczego skalowanie jest ważne dla KNN. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: sprawdź feature_importances_ i zinterpretuj wynik. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wykonaj KMeans na danych bez etykiet. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nusuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasteryzacja`: usuń/uzupełnij braki; skaluj dane; dobierz K metodą łokcia; interpretuj klastry.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia = []\nfor k in range(1, 10):\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n model.fit(X)\n inertia.append(model.named_steps['kmeans'].inertia_)\n\nfinal_model = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=4, random_state=42))\n])\nlabels = final_model.fit_predict(X)\n```\n\nNa co uważać:\nNie zakładaj etykiety y; nie interpretuj KMeans bez sprawdzenia K i skali cech.", "topic": "klasteryzacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: porównaj usuwanie outlierów z winsoryzacją. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wykryj braki danych i zaproponuj sposób ich uzupełnienia. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: porównaj metryki odległości dla KNN. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: pokaż dlaczego skalowanie jest ważne dla KNN. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wytrenuj KNN i dobierz parametr k. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: porównaj train/test split z cross-validation. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: porównaj metryki odległości dla KNN. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: sprawdź zależności między cechami i klasą. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: porównaj model z PCA i bez PCA. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: zastosuj StandardScaler lub MinMaxScaler we właściwym miejscu. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wytrenuj KNN i dobierz parametr k. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: sprawdź zależności między cechami i klasą. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wykonaj EDA: histogramy, boxploty, scatterplot i heatmap. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wykonaj PCA po skalowaniu danych. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: sprawdź zależności między cechami i klasą. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: sprawdź zależności między cechami i klasą. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: porównaj metryki odległości dla KNN. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: zinterpretuj współczynniki regresji i wykres reszt. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja liniowa`: wybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: sprawdź rozmiar, typy danych i brakujące wartości. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: porównaj metryki odległości dla KNN. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nskaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `KNN`: skaluj dane; testuj różne k; oceń accuracy; sprawdź wpływ cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nscores = {}\nfor k in [1, 3, 5, 7, 11]:\n model = Pipeline([\n ('scaler', StandardScaler()),\n ('knn', KNeighborsClassifier(n_neighbors=k))\n ])\n model.fit(X_train, y_train)\n scores[k] = accuracy_score(y_test, model.predict(X_test))\nbest_k = max(scores, key=scores.get)\n```\n\nNa co uważać:\nNie używaj KNN bez skalowania; nie wybieraj k bez porównania wyników.", "topic": "KNN", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: zastosuj StandardScaler lub MinMaxScaler we właściwym miejscu. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `normalizacja i kodowanie`: oddziel X/y; wykryj kolumny numeryczne i kategoryczne; użyj ColumnTransformer; unikaj data leakage.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include='number').columns\ncat_cols = X.select_dtypes(include='object').columns\n\npreprocess = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(handle_unknown='ignore'), cat_cols)\n])\n```\n\nNa co uważać:\nNie skaluj kolumn tekstowych; nie używaj get_dummies inaczej na train i test; nie dopasowuj skalera na całym zbiorze.", "topic": "normalizacja i kodowanie", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: znajdź wartości odstające metodą IQR. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\npolicz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `braki danych i outliery`: policz braki; uzupełnij medianą/modą albo usuń świadomie; wykryj outliery IQR; rozważ winsoryzację.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nmissing = df.isna().sum()\nnum_cols = df.select_dtypes(include='number').columns\ndf[num_cols] = df[num_cols].fillna(df[num_cols].median())\n\ncol = num_cols[0]\nq1 = df[col].quantile(0.25)\nq3 = df[col].quantile(0.75)\niqr = q3 - q1\nlower = q1 - 1.5 * iqr\nupper = q3 + 1.5 * iqr\ndf[col + '_winsor'] = df[col].clip(lower, upper)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "braki danych i outliery", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wykryj potencjalne outliery na wykresach. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wykryj potencjalne outliery na wykresach. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj model przed i po skalowaniu. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Dodaj krótką interpretację wyniku.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: zinterpretuj współczynniki regresji i wykres reszt. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja liniowa`: wybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: sprawdź feature_importances_ i zinterpretuj wynik. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: porównaj train/test split z cross-validation. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: dobierz liczbę komponentów dla 95% wariancji. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nskaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `PCA`: skaluj dane; dopasuj PCA na train; sprawdź wariancję wyjaśnioną; dobierz liczbę komponentów.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nimport numpy as np\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\n```\n\nNa co uważać:\nNie rób PCA bez skalowania; nie interpretuj komponentów jako oryginalnych cech.", "topic": "PCA", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: sprawdź zależności między cechami i klasą. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: porównaj train/test split z cross-validation. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: oceń confusion matrix, precision, recall i ROC AUC. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wybierz potrzebne kolumny i zapisz wynik do pliku. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: sprawdź zależności między cechami i klasą. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: porównaj train/test split z cross-validation. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wyjaśnij różnicę między cechami X i etykietą y. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: sprawdź zależności między cechami i klasą. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: porównaj train/test split z cross-validation. Dobierz metrykę adekwatną do problemu i wyjaśnij wybór.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Zaproponuj wariant kontrolny lub porównanie modeli.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja danych\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wykryj potencjalne outliery na wykresach. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nsprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `wizualizacja danych`: sprawdź histogramy, boxploty, scatterploty, korelacje; opisz wnioski.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df.select_dtypes(include='number'))\nplt.xticks(rotation=45)\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "wizualizacja danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: oceń MSE, RMSE i R2. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja liniowa`: wybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: oceń klasyfikator raportem klasyfikacji. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: sprawdź feature_importances_ i zinterpretuj wynik. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Wskaż typowe błędy, których należy uniknąć.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: oceń klasyfikator raportem klasyfikacji. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj model przed i po skalowaniu. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Zwróć uwagę na data leakage.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Napisz rozwiązanie tak, żeby można je łatwo dostosować do podobnego datasetu.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: zinterpretuj współczynniki regresji i wykres reszt. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: sales_like\n- typ problemu: regresja i preprocessing kategorii\n- kolumny: ad_spend, price, season, store_size, sales\n- target: sales\n\nChecklist z materiałów:\nwybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja liniowa`: wybierz y ciągłe; podziel dane; trenuj LinearRegression; oceń MSE/RMSE/R2.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\nimport numpy as np\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja liniowa", "task_type": "exam_dataset_scenario", "source_file": "synthetic::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: porównaj model przed i po skalowaniu. Zacznij od EDA, potem preprocessing, potem model lub interpretacja.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `regresja logistyczna`: wybierz y binarne; skaluj dane; trenuj LogisticRegression; oceń confusion matrix, precision, recall.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nmodel = Pipeline([\n ('scaler', StandardScaler()),\n ('logreg', LogisticRegression(max_iter=10000))\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\ncm = confusion_matrix(y_test, y_pred)\nprecision = precision_score(y_test, y_pred)\nrecall = recall_score(y_test, y_pred)\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "regresja logistyczna", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: titanic_like\n- typ problemu: klasyfikacja binarna z brakami danych\n- kolumny: age, fare, sex, pclass, embarked, survived\n- target: survived\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: penguins_like\nProblem: klasyfikacja z cechami numerycznymi i kategorycznymi\nKolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\nTarget: species\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Podaj minimalny pipeline i kod.", "input": "Opis datasetu:\n- nazwa robocza: penguins_like\n- typ problemu: klasyfikacja z cechami numerycznymi i kategorycznymi\n- kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species\n- target: species\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: porównaj train/test split z cross-validation. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: użyj stratify i wyjaśnij kiedy jest potrzebne. Podaj metryki lub sposób interpretacji wyniku.", "input": "Opis datasetu:\n- nazwa robocza: housing_like\n- typ problemu: regresja wartości ciągłej\n- kolumny: area, rooms, age, distance_to_center, price\n- target: price\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Przygotuj odpowiedź krok po kroku.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: oceń klasyfikator raportem klasyfikacji. Opisz, które kolumny trafią do X, a która do y, jeśli y istnieje.", "input": "Opis datasetu:\n- nazwa robocza: iris_like\n- typ problemu: klasyfikacja wieloklasowa\n- kolumny: sepal_length, sepal_width, petal_length, petal_width, species\n- target: species\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: sprawdź feature_importances_ i zinterpretuj wynik. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\ntrenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `drzewa decyzyjne`: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.tree import DecisionTreeClassifier\n\nresults = []\nfor depth in [2, 3, 5, None]:\n model = DecisionTreeClassifier(max_depth=depth, random_state=42)\n model.fit(X_train, y_train)\n results.append((depth, model.score(X_test, y_test)))\n\nimportance = model.feature_importances_\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "drzewa decyzyjne", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Najpierw nazwij typ zadania: klasyfikacja, regresja, klasteryzacja, EDA albo redukcja wymiaru.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. Ułóż rozwiązanie tak, jakby to był notebook na kolokwium.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. Podaj, które elementy kodu trzeba zmienić, gdy nazwy kolumn będą inne.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `klasyfikacja`: oddziel cechy i etykietę; podziel dane; dobierz klasyfikator; oceń metryki klasyfikacji.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.metrics import classification_report\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\nprint(classification_report(y_test, model.predict(X_test)))\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "klasyfikacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: pozyskiwanie danych\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: wczytaj dane z pliku lub URL i wykonaj pierwszą eksplorację. Wyjaśnij, dlaczego wybrane kroki są poprawne.", "input": "Opis datasetu:\n- nazwa robocza: wine_like\n- typ problemu: klasyfikacja z wieloma cechami numerycznymi\n- kolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\n- target: class\n\nChecklist z materiałów:\nwczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `pozyskiwanie danych`: wczytaj dane; sprawdź head, shape, dtypes; policz braki; zapisz wynik jeśli trzeba.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nimport pandas as pd\n\ndf = pd.read_csv(path)\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```\n\nNa co uważać:\nNie mieszaj danych treningowych z testowymi; zawsze sprawdź typy kolumn i braki danych.", "topic": "pozyskiwanie danych", "task_type": "exam_dataset_scenario", "source_file": "synthetic::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz najpierw rozpoznać typ problemu na podstawie targetu i kolumn, a potem zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: podział danych i walidacja\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: oddziel X i y, podziel dane na train/test i oceń model. Uwzględnij preprocessing braków danych i typów kolumn.", "input": "Opis datasetu:\n- nazwa robocza: bank_churn_like\n- typ problemu: klasyfikacja binarna z kodowaniem kategorii\n- kolumny: age, balance, products_number, credit_score, country, gender, churn\n- target: churn\n\nChecklist z materiałów:\noddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation", "output": "Plan:\n1. Rozpoznaj typ problemu i kolumnę docelową, jeśli istnieje.\n2. Wykonaj EDA: head, shape, dtypes, braki danych i podstawowe statystyki.\n3. Zastosuj kroki dla działu `podział danych i walidacja`: oddziel X/y; użyj train_test_split; rozważ stratify; oceniaj na test albo cross-validation.\n4. Oceń wynik odpowiednią metryką albo opisz interpretację.\n\nKod Python:\n```python\nfrom sklearn.model_selection import train_test_split, cross_val_score\nfrom sklearn.tree import DecisionTreeClassifier\n\nX = df.drop(target, axis=1)\ny = df[target]\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\ntest_score = model.score(X_test, y_test)\ncv_score = cross_val_score(model, X, y, cv=5).mean()\n```\n\nNa co uważać:\nNie oceniaj modelu na train; nie dopasowuj preprocessingu przed split; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "exam_dataset_scenario", "source_file": "synthetic::bank_churn_like"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. ## Zadanie 9\n\nWygeneruj dataset zawierający:\n\n- 200 osób\n- kolumny: wzrost, waga", "input": "Źródło: 001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md\nChecklist: wczytaj dane; sprawdź head, shape, dtypes; policz braki; wybierz lub zapisz wynik\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\npeople = pd.DataFrame({\n \"wzrost\": np.random.randint(150, 201, 200),\n \"waga\": np.random.randint(45, 121, 200)\n})\n\npeople.head()\n```", "source_file": "001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. ## Zadanie 4\n\nUsuń tylko wiersze gdzie brakuje wartości w kolumnie `age`.", "input": "Źródło: 002_braki_i_outliery.py+002_braki_i_outliery.md\nChecklist: policz braki; uzupełnij medianą/mod��; wykryj outliery IQR; rozważ winsoryzację\nPułapki: Nie usuwaj masowo danych bez sprawdzenia skali braków i outlierów.", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\ndf_age_clean = df.dropna(subset=['age'])\n\ndf_age_clean.shape\n```", "source_file": "002_braki_i_outliery.py+002_braki_i_outliery.md", "topic": "braki danych i outliery", "task_type": "original_lab_prompt"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. ## Zadanie 7\nSprawdź współczynniki dla każdej cechy.", "input": "Źródło: 009_regresja_liniowa.py+009_regresja_liniowa.md\nChecklist: wybierz y ciągłe; podziel dane; LinearRegression; oceń MSE, RMSE i R2\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\n\ncoef_df = pd.DataFrame({\n 'feature': data.feature_names,\n 'coef': model.coef_\n})\n\ncoef_df\n```", "source_file": "009_regresja_liniowa.py+009_regresja_liniowa.md", "topic": "regresja liniowa", "task_type": "original_lab_prompt"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj prosty model bazowy.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. ## Zadanie 1\n\n1. Wczytaj dataset.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź rozmiar datasetu (`shape`).", "input": "Źródło: 006_wizualizacja_ml.py+006_wizualizacja_ml.md\nChecklist: histogramy; boxploty; scatterplot; korelacje; krótka interpretacja\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\ndf.head(10)\n\ndf.shape\n```", "source_file": "006_wizualizacja_ml.py+006_wizualizacja_ml.md", "topic": "wizualizacja danych", "task_type": "original_lab_prompt"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. ## Zadanie 7\nZinterpretuj wyniki macierzy pomyłek.", "input": "Źródło: 010_regresja_logistyczna.py+010_regresja_logistyczna.md\nChecklist: wybierz y binarne; skaluj dane; LogisticRegression; confusion_matrix, precision, recall\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\ncm\n```", "source_file": "010_regresja_logistyczna.py+010_regresja_logistyczna.md", "topic": "regresja logistyczna", "task_type": "original_lab_prompt"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. ## Zadanie 2\n\nNarysuj histogram dla kolumny `petal_length`.", "input": "Źródło: 006_wizualizacja_ml.py+006_wizualizacja_ml.md\nChecklist: histogramy; boxploty; scatterplot; korelacje; krótka interpretacja\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nplt.hist(df['petal_length'], bins=20)\n\nplt.title(\"Histogram petal_length\")\nplt.xlabel(\"petal_length\")\nplt.ylabel(\"count\")\n\nplt.show()\n```", "source_file": "006_wizualizacja_ml.py+006_wizualizacja_ml.md", "topic": "wizualizacja danych", "task_type": "original_lab_prompt"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. ## Zadanie 7\n\nZwiększ zakres k do 30.", "input": "Źródło: 007_knn.py+007_knn.md\nChecklist: skaluj dane; dobierz k; trenuj KNN; oceń accuracy\nPułapki: Nie używaj KNN bez skalowania i nie wybieraj k bez porównania wyników.", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nscores_30 = []\n\nfor k in range(1, 31):\n model = KNeighborsClassifier(n_neighbors=k)\n model.fit(X_train, y_train)\n pred = model.predict(X_test)\n scores_30.append(accuracy_score(y_test, pred))\n\nplt.plot(range(1, 31), scores_30)\nplt.xlabel(\"k\")\nplt.ylabel(\"accuracy\")\nplt.show()\n```", "source_file": "007_knn.py+007_knn.md", "topic": "KNN", "task_type": "original_lab_prompt"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. ## Zadanie 10\n\nNarysuj violinplot dla `sepal_length` według `species`.", "input": "Źródło: 006_wizualizacja_ml.py+006_wizualizacja_ml.md\nChecklist: histogramy; boxploty; scatterplot; korelacje; krótka interpretacja\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nsns.violinplot(x='species', y='sepal_length', data=df)\n```", "source_file": "006_wizualizacja_ml.py+006_wizualizacja_ml.md", "topic": "wizualizacja danych", "task_type": "original_lab_prompt"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "Chapter 2 43\nComparing this to CRISP-DM\nThe high-level categorization of project steps that we will outline in the rest of this chapter has \nmany similarities to, and some differences from, an important methodology known as CRISP-DM. \nThis methodology was published in 1999 and has since gathered a large following as a way to \nunderstand how to build any data project. In CRISP-DM, there are six different phases of activity, \ncovering similar ground to that outlined in the four steps described in the previous section:\n1. Business understanding: This is all about getting to know the business problem and \ndomain area. This becomes part of the Discover phase in the four-step model.\n2. Data understanding: Extending the knowledge of the business domain to include the \nstate of the data, its location, and how it is relevant to the problem. Also included in the \nDiscover phase.\n3. Data preparation: Starting to take the data and transform it for downstream use. This \nwill often have to be iterative. Captured in the Play stage.\n4. Modeling: Taking the prepared data and then developing analytics on top of it; this could \nnow include ML of various levels of sophistication. This is an activity t", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include=\"number\").columns\ncat_cols = X.select_dtypes(include=\"object\").columns\n\npreprocess = ColumnTransformer([\n (\"num\", StandardScaler(), num_cols),\n (\"cat\", OneHotEncoder(handle_unknown=\"ignore\"), cat_cols),\n])\n```", "source_file": "Machine Learning Engineering with Python.pdf", "topic": "normalizacja i kodowanie", "task_type": "pdf_practical_pattern"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. ## Zadanie 9\n\nZmień k na 1 i zobacz jak zmieni się granica decyzyjna.", "input": "Źródło: 007_knn.py+007_knn.md\nChecklist: skaluj dane; dobierz k; trenuj KNN; oceń accuracy\nPułapki: Nie używaj KNN bez skalowania i nie wybieraj k bez porównania wyników.", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nmodel = KNeighborsClassifier(n_neighbors=1)\nmodel.fit(X, y_encoded)\n\nZ = model.predict(np.c_[xx.ravel(), yy.ravel()])\nZ = Z.reshape(xx.shape)\n\nplt.contourf(xx, yy, Z, alpha=0.3)\nsns.scatterplot(x=X.iloc[:,0], y=X.iloc[:,1], hue=y)\nplt.show()\n```", "source_file": "007_knn.py+007_knn.md", "topic": "KNN", "task_type": "original_lab_prompt"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. ## Zadanie 4\nSprawdź inertia dla różnych K.", "input": "Źródło: 011_klastry.py+011_klastry.md\nChecklist: skaluj dane; dobierz K metodą łokcia; KMeans; interpretuj klastry\nPułapki: Nie zakładaj istnienia targetu y i nie interpretuj inertia bez porównania kilku K.", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nfor k in range(1, 8):\n km = KMeans(n_clusters=k, random_state=42)\n km.fit(X)\n print(k, km.inertia_)\n```", "source_file": "011_klastry.py+011_klastry.md", "topic": "klasteryzacja", "task_type": "original_lab_prompt"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. ## Zadanie 10\n\nZastosuj winsoryzację dla kolumny `age`.", "input": "Źródło: 002_braki_i_outliery.py+002_braki_i_outliery.md\nChecklist: policz braki; uzupełnij medianą/modą; wykryj outliery IQR; rozważ winsoryzację\nPułapki: Nie usuwaj masowo danych bez sprawdzenia skali braków i outlierów.", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nlower = Q1 - 1.5 * IQR\nupper = Q3 + 1.5 * IQR\n\ndf['age_winsor'] = df['age'].clip(lower, upper)\n\ndf[['age', 'age_winsor']].head()\n```", "source_file": "002_braki_i_outliery.py+002_braki_i_outliery.md", "topic": "braki danych i outliery", "task_type": "original_lab_prompt"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. ## Zadanie 11\n\n1. Wczytaj dataset\n2. Znormalizuj `bill_length_mm`\n3. Standaryzuj `body_mass_g`\n4. Zakoduj `species` metodą one-hot", "input": "Źródło: 003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md\nChecklist: oddziel kolumny numeryczne i kategoryczne; skaluj liczby; koduj kategorie; unikaj leakage\nPułapki: Nie skaluj kolumn tekstowych i nie koduj train/test niespójnie.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.preprocessing import MinMaxScaler, StandardScaler\n\ndf_solution = df.copy()\n\ndf_solution[['bill_length_norm']] = MinMaxScaler().fit_transform(df_solution[['bill_length_mm']])\ndf_solution[['body_mass_standard']] = StandardScaler().fit_transform(df_solution[['body_mass_g']])\nspecies_encoded = pd.get_dummies(df_solution['species'], prefix='species')\n\nresult = pd.concat([\n df_solution,\n species_encoded\n], axis=1)\n\nresult.head()\n```", "source_file": "003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj train_test_split z random_state=42.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. ## Zadanie 9\n\nSprawdź ile obserwacji jest w każdym gatunku.", "input": "Źródło: 006_wizualizacja_ml.py+006_wizualizacja_ml.md\nChecklist: histogramy; boxploty; scatterplot; korelacje; krótka interpretacja\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\ndf['species'].value_counts()\n```", "source_file": "006_wizualizacja_ml.py+006_wizualizacja_ml.md", "topic": "wizualizacja danych", "task_type": "original_lab_prompt"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "Table of Contents\nPreface xvii\nChapter 1: Introduction to ML Engineering 1\nTechnical requirements ������������������������������������������������������������������������������������������������������ 2\nDefining a taxonomy of data disciplines ����������������������������������������������������������������������������� 4\nData scientist • 4\nML engineer • 5\nML operations engineer • 6\nData engineer • 7\nWorking as an effective team ���������������������������������������������������������������������������������������������� 8\nML engineering in the real world ���������������������������������������������������������������������������������������� 9\nWhat does an ML solution look like? ��������������������������������������������������������������������������������� 12\nWhy Python? • 14\nHigh-level ML system design ��������������������������������������������������������������������������������������������� 15\nExample 1: Batch anomaly detection service • 15\nExample 2: Forecasting API • 22\nExample 3: Classification pipeline • 26\nSummary �������������������������������������������������������������������������������������������������������������������������� 30\nChapter 2: The Machine Learnin", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include=\"number\").columns\ncat_cols = X.select_dtypes(include=\"object\").columns\n\npreprocess = ColumnTransformer([\n (\"num\", StandardScaler(), num_cols),\n (\"cat\", OneHotEncoder(handle_unknown=\"ignore\"), cat_cols),\n])\n```", "source_file": "Machine Learning Engineering with Python.pdf", "topic": "normalizacja i kodowanie", "task_type": "pdf_practical_pattern"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "Python Course\nMachine Learning\nWith Python by\nBernd Klein\nMachine Learning Terminology .................................................................................................3\nRepresentation and Visualization of Data ................................................................................15\nLoading the Iris Data with Scikit-learn ....................................................................................18\nVisualising the Features of the Iris Data Set.............................................................................23\nScatterplot 'Matrices .................................................................................................................27\nDatasets in sklearn....................................................................................................................29\nLoading Digits Data..................................................................................................................31\nReading the data and conversion back into 'data' and 'labels'...................................................51\nOther Interesting Distributions ...............................................................................", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "bernd_klein_python_and_machine_learning_a4.pdf", "topic": "regresja logistyczna", "task_type": "pdf_practical_pattern"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. ## Zadanie 6\nPorównaj model przed i po skalowaniu.", "input": "Źródło: 010_regresja_logistyczna.py+010_regresja_logistyczna.md\nChecklist: wybierz y binarne; skaluj dane; LogisticRegression; confusion_matrix, precision, recall\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nmodel_raw = LogisticRegression(max_iter=10000)\nmodel_raw.fit(X, y)\nraw_score = model_raw.score(X, y)\n\nscaler = StandardScaler()\nX_scaled = scaler.fit_transform(X)\n\nmodel_scaled = LogisticRegression(max_iter=10000)\nmodel_scaled.fit(X_scaled, y)\nscaled_score = model_scaled.score(X_scaled, y)\n\nraw_score, scaled_score\n```", "source_file": "010_regresja_logistyczna.py+010_regresja_logistyczna.md", "topic": "regresja logistyczna", "task_type": "original_lab_prompt"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. ## Zadanie 3\n\n1. Zapisz dataset do pliku `dataset.csv`.\n2. Wczytaj go ponownie.\n3. Wyświetl ostatnie 5 wierszy.", "input": "Źródło: 001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md\nChecklist: wczytaj dane; sprawdź head, shape, dtypes; policz braki; wybierz lub zapisz wynik\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\ndf.to_csv(\"dataset.csv\", index=False)\n\ndataset = pd.read_csv(\"dataset.csv\")\n\ndataset.tail(5)\n```", "source_file": "001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "Confusion\nMatrix\nPredicted classes\nmale female\nActual\nclasses\nmale 42 8\nfemale 18 32\nThis means that the classifier correctly predicted a male person in 42 cases and it wrongly predicted 8 male\ninstances as female. It correctly predicted 32 instances as female. 18 cases had been wrongly predicted as male\ninstead of female.\nACCURACY (ERROR RATE)\nAccuracy is a statistical measure which is defined as the quotient of correct predictions made by a classifier\ndivided by the sum of predictions made by the classifier.\nThe classifier in our previous example predicted correctly predicted 42 male instances and 32 female instance.\nTherefore, the accuracy can be calculated by:\naccuracy = (42 + 32)/(42 + 8 + 18 + 32)\nwhich is 0.72\nLet's assume we have a classifier, which always predicts \"female\". We have an accuracy of 50 % in this case.\nConfusion\nMatrix\nPredicted classes\nmale female\nActual\nclasses\nmale 0 50\nfemale 0 50\nWe will demonstrate the so-called accuracy paradox.\nA spam recogition classifier is described by the following confusion matrix:\n4", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "bernd_klein_python_and_machine_learning_a4.pdf", "topic": "regresja logistyczna", "task_type": "pdf_practical_pattern"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwi��ku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. ## Zadanie 9\n\nWyjaśnij dlaczego trenowanie modelu na całym zbiorze jest błędem.", "input": "Źródło: 005_podzial_danych.py+005_podzial_danych.md\nChecklist: oddziel X/y; train_test_split; użyj random_state; oceń na test lub cross-validation\nPułapki: Nie oceniaj modelu na zbiorze treningowym i nie dopasowuj preprocessingu przed split.", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nimport matplotlib.pyplot as plt\n\nplt.hist(X_train['sepal_length'], alpha=0.5, label='train')\nplt.hist(X_test['sepal_length'], alpha=0.5, label='test')\n\nplt.legend()\nplt.show()\n```", "source_file": "005_podzial_danych.py+005_podzial_danych.md", "topic": "podzial danych i walidacja", "task_type": "original_lab_prompt"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. ## Zadanie 8\nZmodyfikuj test_size i sprawdź wpływ na wynik.", "input": "Źródło: 009_regresja_liniowa.py+009_regresja_liniowa.md\nChecklist: wybierz y ciągłe; podziel dane; LinearRegression; oceń MSE, RMSE i R2\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nfor test_size in [0.1, 0.2, 0.3, 0.4]:\n X_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=test_size,\n random_state=42\n )\n\n model = LinearRegression()\n model.fit(X_train, y_train)\n y_pred = model.predict(X_test)\n\n print(test_size, r2_score(y_test, y_pred))\n```", "source_file": "009_regresja_liniowa.py+009_regresja_liniowa.md", "topic": "regresja liniowa", "task_type": "original_lab_prompt"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. ## Zadanie 4\n\nWytrenuj model i sprawdź accuracy.", "input": "Źródło: 008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md\nChecklist: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nmodel = DecisionTreeClassifier(random_state=42)\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```", "source_file": "008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. ## Zadanie końcowe 12\n\nNapisz skrypt który:\n\n1. Pobiera dane z internetu\n2. Zapisuje je lokalnie\n3. Wczytuje je ponownie\n4. Wyświetla podstawowe statystyki (`describe()`)", "input": "Źródło: 001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md\nChecklist: wczytaj dane; sprawdź head, shape, dtypes; policz braki; wybierz lub zapisz wynik\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nfinal_df = pd.read_csv(url)\n\nfinal_df.to_csv(\"final_tips.csv\", index=False)\n\nfinal_loaded = pd.read_csv(\"final_tips.csv\")\n\nfinal_loaded.describe()\n```", "source_file": "001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. ## Zadanie 10\nZbuduj pipeline:\n- skalowanie\n- K-means\n- wybór K", "input": "Źródło: 011_klastry.py+011_klastry.md\nChecklist: skaluj dane; dobierz K metodą łokcia; KMeans; interpretuj klastry\nPułapki: Nie zakładaj istnienia targetu y i nie interpretuj inertia bez porównania kilku K.", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ninertia_values = []\nK_range = range(1, 10)\n\nfor k in K_range:\n pipeline = Pipeline([\n ('scaler', StandardScaler()),\n ('kmeans', KMeans(n_clusters=k, random_state=42))\n ])\n pipeline.fit(X)\n inertia_values.append(pipeline.named_steps['kmeans'].inertia_)\n\nplt.plot(K_range, inertia_values, marker='o')\nplt.xlabel(\"K\")\nplt.ylabel(\"Inertia\")\nplt.title(\"Wybor K w pipeline\")\nplt.show()\n```", "source_file": "011_klastry.py+011_klastry.md", "topic": "klasteryzacja", "task_type": "original_lab_prompt"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj prosty model bazowy.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. ## Zadanie 2\n\nSprawdź rozmiar X i y.", "input": "Źródło: 008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md\nChecklist: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nX.shape\n\ny.shape\n```", "source_file": "008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj prosty model bazowy.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj prosty model bazowy.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. ## Zadanie 9\nZastosuj K-means do własnych danych.", "input": "Źródło: 011_klastry.py+011_klastry.md\nChecklist: skaluj dane; dobierz K metodą łokcia; KMeans; interpretuj klastry\nPułapki: Nie zakładaj istnienia targetu y i nie interpretuj inertia bez porównania kilku K.", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\ncustomer_data = np.array([\n [25, 3000], [30, 4000], [45, 8000], [50, 9000],\n [23, 2800], [42, 7500], [35, 5000], [55, 10000]\n])\n\ncustomer_scaled = StandardScaler().fit_transform(customer_data)\ncustomer_kmeans = KMeans(n_clusters=2, random_state=42)\ncustomer_labels = customer_kmeans.fit_predict(customer_scaled)\n\nplt.scatter(customer_data[:, 0], customer_data[:, 1], c=customer_labels)\nplt.xlabel(\"wiek\")\nplt.ylabel(\"dochod\")\nplt.title(\"Segmentacja klientow\")\nplt.show()\n```", "source_file": "011_klastry.py+011_klastry.md", "topic": "klasteryzacja", "task_type": "original_lab_prompt"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. ## Zadanie 9\n\nSprawdź ile kolumn powstało po kodowaniu.", "input": "Źródło: 003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md\nChecklist: oddziel kolumny numeryczne i kategoryczne; skaluj liczby; koduj kategorie; unikaj leakage\nPułapki: Nie skaluj kolumn tekstowych i nie koduj train/test niespójnie.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\ndf_encoded = pd.get_dummies(df, columns=['species', 'island', 'sex'])\n\ndf_encoded.shape[1]\n```", "source_file": "003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. ## Zadanie 5\nPorównaj accuracy dla L1 i L2.", "input": "Źródło: 010_regresja_logistyczna.py+010_regresja_logistyczna.md\nChecklist: wybierz y binarne; skaluj dane; LogisticRegression; confusion_matrix, precision, recall\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\ny_pred_l1 = model_l1.predict(X_test)\ny_pred_l2 = model_l2.predict(X_test)\n\naccuracy_score(y_test, y_pred_l1), accuracy_score(y_test, y_pred_l2)\n```", "source_file": "010_regresja_logistyczna.py+010_regresja_logistyczna.md", "topic": "regresja logistyczna", "task_type": "original_lab_prompt"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. ## Zadanie 8\nPorównaj model z PCA i bez PCA.", "input": "Źródło: 012_pca.py+012_pca.md\nChecklist: skaluj dane; dopasuj PCA; sprawdź explained_variance_ratio_; dobierz komponenty\nPułapki: Nie wykonuj PCA bez skalowania i nie dopasowuj PCA na danych testowych.", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nX_train, X_test, y_train, y_test = train_test_split(\n X_scaled, y,\n test_size=0.2,\n random_state=42\n)\n\nmodel_no_pca = LogisticRegression(max_iter=10000)\nmodel_no_pca.fit(X_train, y_train)\nscore_no_pca = model_no_pca.score(X_test, y_test)\n\npca = PCA(n_components=5)\nX_train_pca = pca.fit_transform(X_train)\nX_test_pca = pca.transform(X_test)\n\nmodel_pca = LogisticRegression(max_iter=10000)\nmodel_pca.fit(X_train_pca, y_train)\nscore_pca = model_pca.score(X_test_pca, y_test)\n\nscore_no_pca, score_pca\n```", "source_file": "012_pca.py+012_pca.md", "topic": "PCA", "task_type": "original_lab_prompt"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. ## Zadanie 11.\n\n1. Wczytaj dataset Titanic\n2. Sprawdź braki danych\n3. Uzupełnij kolumnę age medianą\n4. Znajdź outliery w kolumnie fare", "input": "Źródło: 002_braki_i_outliery.py+002_braki_i_outliery.md\nChecklist: policz braki; uzupełnij medianą/modą; wykryj outliery IQR; rozważ winsoryzację\nPułapki: Nie usuwaj masowo danych bez sprawdzenia skali braków i outlierów.", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\ndf = pd.read_csv(url)\n\ndf.isna().sum()\n\ndf['age_filled'] = df['age'].fillna(df['age'].median())\n\nfare_q1 = df['fare'].quantile(0.25)\nfare_q3 = df['fare'].quantile(0.75)\nfare_iqr = fare_q3 - fare_q1\n\nfare_outliers = df[(df['fare'] < fare_q1 - 1.5 * fare_iqr) | (df['fare'] > fare_q3 + 1.5 * fare_iqr)]\n\nfare_outliers.head()\n```", "source_file": "002_braki_i_outliery.py+002_braki_i_outliery.md", "topic": "braki danych i outliery", "task_type": "original_lab_prompt"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "Prefacexviii\nWe will cover everything from how to organize your ML team, to software development meth-\nodologies and best practices, to automating model building through to packaging your ML code, \nhow to deploy your ML pipelines to a variety of different targets and then on to how to scale your \nworkloads for large batch runs. We will also discuss, in an entirely new chapter for this second \nedition, the exciting world of applying ML engineering and MLOps to deep learning and genera-\ntive AI, including how to start building solutions using Large Language Models (LLMs) and the \nnew field of LLM Operations (LLMOps).\nThe second edition of Machine Learning Engineering with Python goes into a lot more depth than \nthe first edition in almost every chapter, with updated examples and more discussion of core \nconcepts. There is also a far wider selection of tools covered and a lot more focus on open-source \ntools and development. The ethos of focusing on core concepts remains, but it is my hope that \nthis wider view means that the second edition will be an excellent resource for those looking to \ngain practical knowledge of machine learning engineering.\nAlthough a far greater emphasis has", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include=\"number\").columns\ncat_cols = X.select_dtypes(include=\"object\").columns\n\npreprocess = ColumnTransformer([\n (\"num\", StandardScaler(), num_cols),\n (\"cat\", OneHotEncoder(handle_unknown=\"ignore\"), cat_cols),\n])\n```", "source_file": "Machine Learning Engineering with Python.pdf", "topic": "normalizacja i kodowanie", "task_type": "pdf_practical_pattern"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj prosty model bazowy.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiad��w. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo rozważ stratify, jeśli problem jest klasyfikacją.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. ## Zadanie końcowe 12\n\nStwórz kompletny program, który wykonuje następujące polecenia:\n\n1. skalowanie danych numerycznych\n2. kodowanie zmiennych kategorycznych\n3. utworzenie finalnej macierzy cech", "input": "Źródło: 003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md\nChecklist: oddziel kolumny numeryczne i kategoryczne; skaluj liczby; koduj kategorie; unikaj leakage\nPułapki: Nie skaluj kolumn tekstowych i nie koduj train/test niespójnie.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = ['bill_length_mm', 'bill_depth_mm', 'flipper_length_mm', 'body_mass_g']\ncat_cols = ['species', 'island', 'sex']\n\ntransformer = ColumnTransformer([\n ('num', StandardScaler(), num_cols),\n ('cat', OneHotEncoder(), cat_cols)\n])\n\nX = transformer.fit_transform(df)\n\nX.shape\n```", "source_file": "003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. ## Zadanie 10\n\nSprawdź metrykę `euclidean`.", "input": "Źródło: 007_knn.py+007_knn.md\nChecklist: skaluj dane; dobierz k; trenuj KNN; oceń accuracy\nPułapki: Nie używaj KNN bez skalowania i nie wybieraj k bez porównania wyników.", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nmodel = KNeighborsClassifier(n_neighbors=5, metric='euclidean')\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```", "source_file": "007_knn.py+007_knn.md", "topic": "KNN", "task_type": "original_lab_prompt"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. ## Zadanie 4\nPorównaj log_loss dla różnych modeli.", "input": "Źródło: 010_regresja_logistyczna.py+010_regresja_logistyczna.md\nChecklist: wybierz y binarne; skaluj dane; LogisticRegression; confusion_matrix, precision, recall\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nmodel_default = LogisticRegression()\nmodel_strong_reg = LogisticRegression(C=0.1)\n\nmodel_default.fit(X, y)\nmodel_strong_reg.fit(X, y)\n\nloss_default = log_loss(y, model_default.predict_proba(X))\nloss_strong_reg = log_loss(y, model_strong_reg.predict_proba(X))\n\nloss_default, loss_strong_reg\n```", "source_file": "010_regresja_logistyczna.py+010_regresja_logistyczna.md", "topic": "regresja logistyczna", "task_type": "original_lab_prompt"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "We will train our articifical data in the following code:\nfrom sklearn.model_selection import train_test_split\ndata_sets = train_test_split(data,\nlabels,\ntrain_size=0.8,\ntest_size=0.2,\nrandom_state=42 # garantees same output fo\nr every run\n)\ntrain_data, test_data, train_labels, test_labels = data_sets\n# import model\nfrom sklearn.neighbors import KNeighborsClassifier\n# create classifier\nknn = KNeighborsClassifier(n_neighbors=8)\n# train\nknn.fit(train_data, train_labels)\n# test on test data:\ncalculated_labels = knn.predict(test_data)\ncalculated_labels\nOutput: \n52", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"knn\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\nprint(\"Accuracy:\", accuracy_score(y_test, model.predict(X_test)))\n```", "source_file": "bernd_klein_python_and_machine_learning_a4.pdf", "topic": "KNN", "task_type": "pdf_practical_pattern"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. ## Zadanie 7\n\nNarysuj drzewo dla modelu `model_entropy`.", "input": "Źródło: 008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md\nChecklist: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nplt.figure(figsize=(12, 8))\n\nplot_tree(\n model_entropy,\n feature_names=X.columns,\n class_names=model_entropy.classes_,\n filled=True\n)\n\nplt.show()\n```", "source_file": "008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "EVALUATION METRICS\nINTRODUCTION\nNot only in machine learning but also in\ngeneral life, especially business life, you\nwill hear questiones like \"How accurate is\nyour product?\" or \"How precise is your\nmachine?\". When people get replies like\n\"This is the most accurate product in its\nfield!\" or \"This machine has the highest\nimaginable precision!\", they feel\nfomforted by both answers. Shouldn't\nthey? Indeed, the terms accurate and\nprecise are very often used\ninterchangeably. We will give exact\ndefinitions later in the text, but in a\nnutshell, we can say: Accuracy is a\nmeasure for the closeness of some\nmeasurements to a specific value, while\nprecision is the closeness of the measurements to each other.\nThese terms are also of extreme importance in Machine Learning. We need them for evaluating ML\nalgorithms or better their results.\nWe will present in this chapter of our Python Machine Learning Tutorial four important metrics. These metrics\nare used to evaluate the results of classifications. The metrics are:\n• Accuracy\n• Precision\n• Recall\n• F1-Score\nWe will introduce each of these metrics and we will discuss the pro and cons of each of them. Each metric\nmeasures something different about", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "bernd_klein_python_and_machine_learning_a4.pdf", "topic": "regresja logistyczna", "task_type": "pdf_practical_pattern"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. ## Zadanie\n\n1. Zapisz dane do tabeli `tips2`\n2. Wczytaj je ponownie z SQL", "input": "Źródło: 001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md\nChecklist: wczytaj dane; sprawdź head, shape, dtypes; policz braki; wybierz lub zapisz wynik\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\ndf.to_sql(\"tips2\", conn, if_exists=\"replace\", index=False)\n\ntips2 = pd.read_sql(\"SELECT * FROM tips2\", conn)\n\ntips2.head()\n```", "source_file": "001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. ## Zadanie 3\n\nPodziel dane w proporcji 70/30.", "input": "Źródło: 007_knn.py+007_knn.md\nChecklist: skaluj dane; dobierz k; trenuj KNN; oceń accuracy\nPułapki: Nie używaj KNN bez skalowania i nie wybieraj k bez porównania wyników.", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n```", "source_file": "007_knn.py+007_knn.md", "topic": "KNN", "task_type": "original_lab_prompt"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. ## Zadanie 8\n\nSpróbuj użyć innych dwóch cech.", "input": "Źródło: 007_knn.py+007_knn.md\nChecklist: skaluj dane; dobierz k; trenuj KNN; oceń accuracy\nPułapki: Nie używaj KNN bez skalowania i nie wybieraj k bez porównania wyników.", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nX_alt = df[['sepal_length', 'sepal_width']]\n\nsns.scatterplot(x=X_alt['sepal_length'], y=X_alt['sepal_width'], hue=y)\n```", "source_file": "007_knn.py+007_knn.md", "topic": "KNN", "task_type": "original_lab_prompt"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. ## Zadanie końcowe 12\n\nWykonaj eksploracyjną analizę danych:\n\n1. histogramy\n2. boxploty\n3. scatter plot\n4. macierz korelacji\n5. heatmap\n\nSpróbuj zinterpretować wyniki.", "input": "Źródło: 006_wizualizacja_ml.py+006_wizualizacja_ml.md\nChecklist: histogramy; boxploty; scatterplot; korelacje; krótka interpretacja\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\ndf.hist(figsize=(10, 8))\nplt.show()\n\nsns.boxplot(data=df)\nplt.xticks(rotation=45)\nplt.show()\n\nsns.scatterplot(data=df, x='sepal_length', y='petal_length', hue='species')\nplt.show()\n\ncorr = df.corr(numeric_only=True)\nprint(corr)\n\nsns.heatmap(corr, annot=True, cmap='coolwarm')\nplt.show()\n```", "source_file": "006_wizualizacja_ml.py+006_wizualizacja_ml.md", "topic": "wizualizacja danych", "task_type": "original_lab_prompt"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. ## Zadanie 7\n\nNarysuj boxplot dla kolumny `age`.", "input": "Źródło: 002_braki_i_outliery.py+002_braki_i_outliery.md\nChecklist: policz braki; uzupełnij medianą/modą; wykryj outliery IQR; rozważ winsoryzację\nPułapki: Nie usuwaj masowo danych bez sprawdzenia skali braków i outlierów.", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\nsns.boxplot(x=df['age'])\n\nplt.show()\n```", "source_file": "002_braki_i_outliery.py+002_braki_i_outliery.md", "topic": "braki danych i outliery", "task_type": "original_lab_prompt"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj train_test_split z random_state=42.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. ## Zadanie 9\nZinterpretuj wykres reszt.", "input": "Źródło: 009_regresja_liniowa.py+009_regresja_liniowa.md\nChecklist: wybierz y ciągłe; podziel dane; LinearRegression; oceń MSE, RMSE i R2\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\n\ny_pred = model.predict(X_test)\n\nprint(\"MSE:\", mean_squared_error(y_test, y_pred))\nprint(\"R2:\", r2_score(y_test, y_pred))\n```", "source_file": "009_regresja_liniowa.py+009_regresja_liniowa.md", "topic": "regresja liniowa", "task_type": "original_lab_prompt"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. ## Zadanie 6\nSprawdź R² dla innych danych.", "input": "Źródło: 009_regresja_liniowa.py+009_regresja_liniowa.md\nChecklist: wybierz y ciągłe; podziel dane; LinearRegression; oceń MSE, RMSE i R2\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nr2_more = r2_score(y_more, y_more_pred)\n\nr2_more\n```", "source_file": "009_regresja_liniowa.py+009_regresja_liniowa.md", "topic": "regresja liniowa", "task_type": "original_lab_prompt"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) por��wnaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "Table of Contents xiii\nMicroservices • 207\nEvent-based designs • 208\nBatching • 209\nContainerizing ����������������������������������������������������������������������������������������������������������������� 211\nHosting your own microservice on AWS �������������������������������������������������������������������������� 214\nPushing to ECR • 216\nHosting on ECS • 217\nBuilding general pipelines with Airflow ������������������������������������������������������������������������� 232\nAirflow • 232\nAirflow on AWS • 235\nRevisiting CI/CD for Airflow • 244\nBuilding advanced ML pipelines ������������������������������������������������������������������������������������� 246\nFinding your ZenML • 246\nGoing with the Kubeflow • 258\nSelecting your deployment strategy �������������������������������������������������������������������������������� 267\nSummary ������������������������������������������������������������������������������������������������������������������������ 269\nChapter 6: Scaling Up 271\nTechnical requirements �������������������������������������������������������������������������������������������������� 272\nScaling with Spark �������������������������������������", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include=\"number\").columns\ncat_cols = X.select_dtypes(include=\"object\").columns\n\npreprocess = ColumnTransformer([\n (\"num\", StandardScaler(), num_cols),\n (\"cat\", OneHotEncoder(handle_unknown=\"ignore\"), cat_cols),\n])\n```", "source_file": "Machine Learning Engineering with Python.pdf", "topic": "normalizacja i kodowanie", "task_type": "pdf_practical_pattern"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj train_test_split z random_state=42.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "Introduction to ML Engineering8\nData engineers spend a lot of time and effort and use their considerable skills to ensure \nthat data pipelines are robust, reliable, and can be trusted to deliver when promised.\n• Access: Finally, the aim of getting data from A to B is for it to be used by applications, \nanalyses, and ML models, so the nature of B is important. The data engineer will have a \nvariety of technologies to hand to surface data and should work with the data consumers \n(our data scientists and ML engineers, among others) to define and create appropriate \ndata models within these solutions:\nFigure 1.1: A diagram showing the relationships between data science, ML engineering, \nand data engineering.\nAs mentioned previously, this book focuses on the work of the ML engineer and how you can \nlearn some of the skills useful for that role, but it is important to remember that you will not be \nworking in a vacuum. Always keep in mind the profiles of the other roles (and many more not \ncovered here that will exist in your project team) so that you work most effectively together. Data \nis a team sport after all!\nNow that you understand the key roles in a modern data team and how they", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include=\"number\").columns\ncat_cols = X.select_dtypes(include=\"object\").columns\n\npreprocess = ColumnTransformer([\n (\"num\", StandardScaler(), num_cols),\n (\"cat\", OneHotEncoder(handle_unknown=\"ignore\"), cat_cols),\n])\n```", "source_file": "Machine Learning Engineering with Python.pdf", "topic": "normalizacja i kodowanie", "task_type": "pdf_practical_pattern"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. ## Zadanie 1\nDodaj więcej punktów danych i sprawdź jak zmienia się linia regresji.", "input": "Źródło: 009_regresja_liniowa.py+009_regresja_liniowa.md\nChecklist: wybierz y ciągłe; podziel dane; LinearRegression; oceń MSE, RMSE i R2\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nX_more = np.array([[1], [2], [3], [4], [5], [6], [7], [8]])\ny_more = np.array([2, 4, 5, 4, 5, 7, 8, 9])\n\nmodel_more = LinearRegression()\nmodel_more.fit(X_more, y_more)\n\ny_more_pred = model_more.predict(X_more)\n\nplt.scatter(X_more, y_more)\nplt.plot(X_more, y_more_pred, color='red')\nplt.title(\"Regresja liniowa - wiecej punktow\")\nplt.show()\n```", "source_file": "009_regresja_liniowa.py+009_regresja_liniowa.md", "topic": "regresja liniowa", "task_type": "original_lab_prompt"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. ## Zadanie 1\n\n1. Wczytaj dataset.\n2. Sprawdź rozmiar datasetu (`shape`).\n3. Wyświetl nazwy kolumn.", "input": "Źródło: 008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md\nChecklist: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\ndf.shape\n\ndf.columns\n```", "source_file": "008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. ## Zadanie 8\nSprawdź jak precision i recall zmieniają się przy zmianie progu.", "input": "Źródło: 010_regresja_logistyczna.py+010_regresja_logistyczna.md\nChecklist: wybierz y binarne; skaluj dane; LogisticRegression; confusion_matrix, precision, recall\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nthreshold_model = LogisticRegression(max_iter=10000)\nthreshold_model.fit(X_train, y_train)\ny_prob = threshold_model.predict_proba(X_test)[:, 1]\n\nfor threshold in [0.3, 0.5, 0.7]:\n y_pred_threshold = (y_prob >= threshold).astype(int)\n print(\n threshold,\n precision_score(y_test, y_pred_threshold),\n recall_score(y_test, y_pred_threshold)\n )\n```", "source_file": "010_regresja_logistyczna.py+010_regresja_logistyczna.md", "topic": "regresja logistyczna", "task_type": "original_lab_prompt"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "ham 0 114\nWe can calculate the precision for our example:\nTP = 114\nFP = 14\n# FN (0) and TN (12) are not needed in the formuala!\nprecision = TP / (TP + FP)\nprint(f\"precision: {precision:4.2f}\")\nExercise: Before you go on with the text think about what the value precision means. If you look at the\nprecision measure of our spam filter example, what does it tell you about the quality of the spam filter? What\ndo the results of the confusion matrix of an ideal spam filter look like? What is worse, high FP or FN values?\nYou will find the answers indirectly in the following explanations.\nIncidentally, the ideal spam filter would have 0 values for both FP and FN.\nThe previous result means that 11 mailpieces out of a hundred will be classified as ham, even though they are\nspam. 89 are correctly classified as ham. This is a point where we should talk about the costs of\nmisclassification. It is troublesome when a spam mail is not recognized as \"spam\" and is instead presented to\nus as \"ham\". If the percentage is not too high, it is annoying but not a disaster. In contrast, when a non-spam\nmessage is wrongly labeled as spam, the email will not be shown in many cases or even automatically deleted", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "bernd_klein_python_and_machine_learning_a4.pdf", "topic": "regresja logistyczna", "task_type": "pdf_practical_pattern"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "k-nearest neighbor data set with new object to classify\nWhen we choose k = 3, the algorithm will find the three nearest\nneighbors of the green heart in order to classify it to either the \ndiamond\nclass or the star class.\nIn our diagram, the three nearest neighbors of the green heart are \none\ndiamond and two stars. Therefore, the algorithm will classify \nthe heart\nwith the star class.", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"knn\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\nprint(\"Accuracy:\", accuracy_score(y_test, model.predict(X_test)))\n```", "source_file": "machine-learning-projects-python.pdf", "topic": "KNN", "task_type": "pdf_practical_pattern"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. ## Zadanie 3\n\nPodziel dane tak aby zbiór testowy miał 30% danych.", "input": "Źródło: 005_podzial_danych.py+005_podzial_danych.md\nChecklist: oddziel X/y; train_test_split; użyj random_state; oceń na test lub cross-validation\nPułapki: Nie oceniaj modelu na zbiorze treningowym i nie dopasowuj preprocessingu przed split.", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n\nX_train.shape, X_test.shape\n```", "source_file": "005_podzial_danych.py+005_podzial_danych.md", "topic": "podzial danych i walidacja", "task_type": "original_lab_prompt"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. ## Zadanie 9\n\nNarysuj wykres ważności cech.", "input": "Źródło: 008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md\nChecklist: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimportance.sort_values().plot(kind='barh')\n\nplt.xlabel(\"importance\")\nplt.title(\"Feature importance\")\nplt.show()\n```", "source_file": "008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. ## Zadanie 3\nPorównaj wyniki dla random i k-means++.", "input": "Źródło: 011_klastry.py+011_klastry.md\nChecklist: skaluj dane; dobierz K metodą łokcia; KMeans; interpretuj klastry\nPułapki: Nie zakładaj istnienia targetu y i nie interpretuj inertia bez porównania kilku K.", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nprint(\"Random inertia:\", kmeans_random.inertia_)\nprint(\"K-means++ inertia:\", kmeans_pp.inertia_)\n\nplt.scatter(X[:, 0], X[:, 1], c=kmeans_random.labels_)\nplt.title(\"init=random\")\nplt.show()\n\nplt.scatter(X[:, 0], X[:, 1], c=kmeans_pp.labels_)\nplt.title(\"init=k-means++\")\nplt.show()\n```", "source_file": "011_klastry.py+011_klastry.md", "topic": "klasteryzacja", "task_type": "original_lab_prompt"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. ## Zadanie 3\n\nNarysuj boxplot dla kolumny `sepal_width`.", "input": "Źródło: 006_wizualizacja_ml.py+006_wizualizacja_ml.md\nChecklist: histogramy; boxploty; scatterplot; korelacje; krótka interpretacja\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nsns.boxplot(x=df['sepal_width'])\n\nplt.show()\n```", "source_file": "006_wizualizacja_ml.py+006_wizualizacja_ml.md", "topic": "wizualizacja danych", "task_type": "original_lab_prompt"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawd�� head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. ## Zadanie 2\nZredukuj dane do 3 wymiarów.", "input": "Źródło: 012_pca.py+012_pca.md\nChecklist: skaluj dane; dopasuj PCA; sprawdź explained_variance_ratio_; dobierz komponenty\nPułapki: Nie wykonuj PCA bez skalowania i nie dopasowuj PCA na danych testowych.", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\npca_3 = PCA(n_components=3)\nX_pca_3 = pca_3.fit_transform(X)\n\nX_pca_3.shape\n```", "source_file": "012_pca.py+012_pca.md", "topic": "PCA", "task_type": "original_lab_prompt"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj prosty model bazowy.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. ## Zadanie 1\n\n1. Wczytaj dataset.\n2. Sprawdź rozmiar datasetu (`shape`).\n3. Wyświetl nazwy kolumn.", "input": "Źródło: 007_knn.py+007_knn.md\nChecklist: skaluj dane; dobierz k; trenuj KNN; oceń accuracy\nPułapki: Nie używaj KNN bez skalowania i nie wybieraj k bez porównania wyników.", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\ndf.shape\n\ndf.columns\n```", "source_file": "007_knn.py+007_knn.md", "topic": "KNN", "task_type": "original_lab_prompt"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj train_test_split z random_state=42.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. ## Zadanie 5\n\nPorównaj wynik z poprzednim modelem.", "input": "Źródło: 008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md\nChecklist: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nmodel_score = model.score(X_test, y_test)\ngini_score = model_gini.score(X_test, y_test)\n\nmodel_score, gini_score\n```", "source_file": "008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. ## Zadanie 2\n\nSprawdź rozmiar X i y.", "input": "Źródło: 005_podzial_danych.py+005_podzial_danych.md\nChecklist: oddziel X/y; train_test_split; użyj random_state; oceń na test lub cross-validation\nPułapki: Nie oceniaj modelu na zbiorze treningowym i nie dopasowuj preprocessingu przed split.", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nX.shape\n\ny.shape\n```", "source_file": "005_podzial_danych.py+005_podzial_danych.md", "topic": "podzial danych i walidacja", "task_type": "original_lab_prompt"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. ## Zadanie 10\n\nSprawdź ile cech powstało po transformacji.", "input": "Źródło: 003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md\nChecklist: oddziel kolumny numeryczne i kategoryczne; skaluj liczby; koduj kategorie; unikaj leakage\nPułapki: Nie skaluj kolumn tekstowych i nie koduj train/test niespójnie.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nX = transformer.fit_transform(df)\n\nX.shape\n```", "source_file": "003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. ## Zadanie 11\n\n1. Wczytaj dataset\n2. Narysuj histogram dla `sepal_length`\n3. Narysuj scatter plot dla `sepal_length` vs `petal_length`\n4. Pokoloruj punkty według `species`", "input": "Źródło: 006_wizualizacja_ml.py+006_wizualizacja_ml.md\nChecklist: histogramy; boxploty; scatterplot; korelacje; krótka interpretacja\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nplt.hist(df['sepal_length'], bins=20)\nplt.show()\n\nsns.scatterplot(data=df, x='sepal_length', y='petal_length', hue='species')\nplt.show()\n```", "source_file": "006_wizualizacja_ml.py+006_wizualizacja_ml.md", "topic": "wizualizacja danych", "task_type": "original_lab_prompt"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. ## Zadanie 1\nSprawdź accuracy dla różnych podziałów danych (zmień random_state).\n\nhttps://scikit-learn.org/stable/modules/generated/sklearn.model_selection.train_test_split.html", "input": "Źródło: 010_regresja_logistyczna.py+010_regresja_logistyczna.md\nChecklist: wybierz y binarne; skaluj dane; LogisticRegression; confusion_matrix, precision, recall\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nfor state in [0, 1, 42, 100]:\n X_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=state\n )\n\n model = LogisticRegression(max_iter=10000)\n model.fit(X_train, y_train)\n y_pred = model.predict(X_test)\n\n print(state, accuracy_score(y_test, y_pred))\n```", "source_file": "010_regresja_logistyczna.py+010_regresja_logistyczna.md", "topic": "regresja logistyczna", "task_type": "original_lab_prompt"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. ## Zadanie 5\n\nNarysuj scatter plot:\n\n`petal_width` vs `petal_length` z kolorami gatunków.", "input": "Źródło: 006_wizualizacja_ml.py+006_wizualizacja_ml.md\nChecklist: histogramy; boxploty; scatterplot; korelacje; krótka interpretacja\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nsns.scatterplot(\n data=df,\n x='petal_width',\n y='petal_length',\n hue='species'\n)\n```", "source_file": "006_wizualizacja_ml.py+006_wizualizacja_ml.md", "topic": "wizualizacja danych", "task_type": "original_lab_prompt"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "The Machine Learning Development Process46\nYou have now added a user story to your work management tool! This allows you to do things such \nas create new tasks and link them to this user story or update its status as your project progresses:\nFigure 2.7: An example user story in Jira.\nThe data sources you use are particularly crucial to understand. As you know, garbage in, garbage \nout, or even worse, no data, no go! The particular questions you have to answer about the data are \nmainly centered around access, technology, quality, and relevance.\nFor access and technology, you are trying to pre-empt how much work the data engineers have \nto do to start their pipeline of work and how much this will hold up the rest of the project. It is \ntherefore crucial that you get this one right.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include=\"number\").columns\ncat_cols = X.select_dtypes(include=\"object\").columns\n\npreprocess = ColumnTransformer([\n (\"num\", StandardScaler(), num_cols),\n (\"cat\", OneHotEncoder(handle_unknown=\"ignore\"), cat_cols),\n])\n```", "source_file": "Machine Learning Engineering with Python.pdf", "topic": "normalizacja i kodowanie", "task_type": "pdf_practical_pattern"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "Table of Contents xi\nEngineering features for machine learning ����������������������������������������������������������������������� 89\nEngineering categorical features • 89\nEngineering numerical features • 91\nDesigning your training system ���������������������������������������������������������������������������������������� 94\nTraining system design options • 95\nTrain-run • 96\nTrain-persist • 97\nRetraining required ������������������������������������������������������������������������������������������������������������� 98\nDetecting data drift • 100\nDetecting concept drift • 103\nSetting the limits • 105\nDiagnosing the drift • 106\nRemediating the drift • 108\nOther tools for monitoring • 110\nAutomating training • 114\nHierarchies of automation • 114\nOptimizing hyperparameters • 116\nHyperopt • 119\nOptuna • 121\nAutoML • 124\nauto-sklearn • 124\nAutoKeras • 126\nPersisting your models ����������������������������������������������������������������������������������������������������� 127\nBuilding the model factory with pipelines ����������������������������������������������������������������������� 131\nScikit-learn pipelines • 132\nSpark ML pipelines • 136\nSummary ������������������", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include=\"number\").columns\ncat_cols = X.select_dtypes(include=\"object\").columns\n\npreprocess = ColumnTransformer([\n (\"num\", StandardScaler(), num_cols),\n (\"cat\", OneHotEncoder(handle_unknown=\"ignore\"), cat_cols),\n])\n```", "source_file": "Machine Learning Engineering with Python.pdf", "topic": "normalizacja i kodowanie", "task_type": "pdf_practical_pattern"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. ## Zadanie 8\n\nNarysuj heatmap bez wartości liczbowych (`annot=False`).", "input": "Źródło: 006_wizualizacja_ml.py+006_wizualizacja_ml.md\nChecklist: histogramy; boxploty; scatterplot; korelacje; krótka interpretacja\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nsns.heatmap(corr, annot=False, cmap='coolwarm')\n```", "source_file": "006_wizualizacja_ml.py+006_wizualizacja_ml.md", "topic": "wizualizacja danych", "task_type": "original_lab_prompt"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. ## Zadanie 11\n\n1. Wczytaj dataset\n2. Podziel dane na train/test\n3. Naucz model Decision Tree\n4. Sprawdź accuracy", "input": "Źródło: 005_podzial_danych.py+005_podzial_danych.md\nChecklist: oddziel X/y; train_test_split; użyj random_state; oceń na test lub cross-validation\nPułapki: Nie oceniaj modelu na zbiorze treningowym i nie dopasowuj preprocessingu przed split.", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```", "source_file": "005_podzial_danych.py+005_podzial_danych.md", "topic": "podzial danych i walidacja", "task_type": "original_lab_prompt"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "Introduction to ML Engineering6\nThis can be done using OO programming, functional programming, a mix, or something \nelse, but it basically helps to take the proof-of-concept work of the data scientist and turn \nit into something that is far closer to being trusted in a production environment.\n• Architecture: Deployments of any piece of software do not occur in a vacuum and will \nalways involve lots of integrated parts. This is true of ML solutions as well. The ML engi-\nneer has to understand how the appropriate tools and processes link together so that the \nmodels built with the data scientist can do their job and do it at scale.\n• Productionization: The ML engineer is focused on delivering a solution and so should \nunderstand the customer’s requirements inside out, as well as be able to understand what \nthat means for the project development. The end goal of the ML engineer is not to provide \na good model (though that is part of it), nor is it to provide something that basically works. \nTheir job is to make sure that the hard work on the data science side of things generates \nthe maximum potential value in a real-world setting.\nML operations engineer\nML engineering will be the foc", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include=\"number\").columns\ncat_cols = X.select_dtypes(include=\"object\").columns\n\npreprocess = ColumnTransformer([\n (\"num\", StandardScaler(), num_cols),\n (\"cat\", OneHotEncoder(handle_unknown=\"ignore\"), cat_cols),\n])\n```", "source_file": "Machine Learning Engineering with Python.pdf", "topic": "normalizacja i kodowanie", "task_type": "pdf_practical_pattern"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj train_test_split z random_state=42.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo rozważ stratify, jeśli problem jest klasyfikacją.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. ## Zadanie 9\nZmodyfikuj wykres 3D (np. kolory, punkt widzenia).", "input": "Źródło: 012_pca.py+012_pca.md\nChecklist: skaluj dane; dopasuj PCA; sprawdź explained_variance_ratio_; dobierz komponenty\nPułapki: Nie wykonuj PCA bez skalowania i nie dopasowuj PCA na danych testowych.", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nfig = plt.figure()\nax = fig.add_subplot(111, projection='3d')\nax.scatter(X_pca3[:, 0], X_pca3[:, 1], X_pca3[:, 2], c=y, cmap='viridis')\nax.view_init(elev=25, azim=45)\nax.set_xlabel(\"PC1\")\nax.set_ylabel(\"PC2\")\nax.set_zlabel(\"PC3\")\nplt.title(\"PCA 3D - zmieniony widok\")\nplt.show()\n```", "source_file": "012_pca.py+012_pca.md", "topic": "PCA", "task_type": "original_lab_prompt"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. ## Zadanie 6\n\nUżyj metody `bfill` do uzupełnienia braków.", "input": "Źródło: 002_braki_i_outliery.py+002_braki_i_outliery.md\nChecklist: policz braki; uzupełnij medianą/modą; wykryj outliery IQR; rozważ winsoryzację\nPułapki: Nie usuwaj masowo danych bez sprawdzenia skali braków i outlierów.", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\ndf_bfill = df.fillna(method='bfill')\n\ndf_bfill.head()\n```", "source_file": "002_braki_i_outliery.py+002_braki_i_outliery.md", "topic": "braki danych i outliery", "task_type": "original_lab_prompt"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. ## Zadanie 4\nPolicz MSE dla nowych danych.", "input": "Źródło: 009_regresja_liniowa.py+009_regresja_liniowa.md\nChecklist: wybierz y ciągłe; podziel dane; LinearRegression; oceń MSE, RMSE i R2\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\ny_more_pred = model_more.predict(X_more)\nmse_more = mean_squared_error(y_more, y_more_pred)\n\nmse_more\n```", "source_file": "009_regresja_liniowa.py+009_regresja_liniowa.md", "topic": "regresja liniowa", "task_type": "original_lab_prompt"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. ## Zadanie 11\n\n1. Wczytaj dataset `tips`\n2. Sprawdź typy danych\n3. Wybierz tylko kolumny `total_bill`, `tip`\n4. Zapisz wynik do CSV", "input": "Źródło: 001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md\nChecklist: wczytaj dane; sprawdź head, shape, dtypes; policz braki; wybierz lub zapisz wynik\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\ntips = pd.read_csv(url)\n\ntips.dtypes\n\ntips_selected = tips[[\"total_bill\", \"tip\"]]\n\ntips_selected.to_csv(\"tips_selected.csv\", index=False)\n```", "source_file": "001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj train_test_split z random_state=42.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "Preface\nMachine learning (ML ), part of the wider field of Artificial Intelligence (AI), is rightfully rec-\nognized as one of the most powerful tools available for organizations to extract value from their \ndata. As the capabilities of ML algorithms have grown over the years, it has become increasingly \nobvious that implementing such algorithms in a scalable, fault-tolerant, and automated way \nrequires the creation of new disciplines. These disciplines, ML Engineering (MLE) and ML Op-\nerations (MLOps), are the focus of this book.\nThe book covers a wide variety of topics in order to help you understand the tools, techniques, and \nprocesses you can apply to engineer your ML solutions, with an emphasis on introducing the key \nconcepts so that you can build on them in your future work. The aim is to develop fundamentals \nand a broad understanding that will stand the test of time, rather than just provide a series of \nintroductions to the latest tools, although we do cover a lot of the latest tools!\nAll of the code examples are given in Python, the most popular programming language in the \nworld (at the time of writing) and the lingua franca for data applications. Python is a high-level", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include=\"number\").columns\ncat_cols = X.select_dtypes(include=\"object\").columns\n\npreprocess = ColumnTransformer([\n (\"num\", StandardScaler(), num_cols),\n (\"cat\", OneHotEncoder(handle_unknown=\"ignore\"), cat_cols),\n])\n```", "source_file": "Machine Learning Engineering with Python.pdf", "topic": "normalizacja i kodowanie", "task_type": "pdf_practical_pattern"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "k-nearest neighbor data set with classification complete\nAmong the most basic of machine learning algorithms, k-nearest\nneighbor is considered to be a type of “lazy learning” as \ngeneralization\nbeyond the training data does not occur until a query \nis made to the\nsystem.\nDecision Tree Learning\nFor general use, decision trees are employed to visually represent\ndecisions and show or inform decision making. When working with\nmachine learning and data mining, decision trees are used as a \npredictive\nmodel. These models map observations about data to \nconclusions about\nthe data’s target value.\nThe goal of decision tree learning is to create a model that will \npredict", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.tree import DecisionTreeClassifier\nfrom sklearn.metrics import accuracy_score, confusion_matrix\n\nX = df.drop(target, axis=1)\ny = df[target]\nX = pd.get_dummies(X, drop_first=True)\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = DecisionTreeClassifier(max_depth=3, random_state=42)\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "machine-learning-projects-python.pdf", "topic": "drzewa decyzyjne", "task_type": "pdf_practical_pattern"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. ## Zadanie 5\nZnajdź optymalne K na podstawie wykresu.", "input": "Źródło: 011_klastry.py+011_klastry.md\nChecklist: skaluj dane; dobierz K metodą łokcia; KMeans; interpretuj klastry\nPułapki: Nie zakładaj istnienia targetu y i nie interpretuj inertia bez porównania kilku K.", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nbest_k = 4\nbest_k\n```", "source_file": "011_klastry.py+011_klastry.md", "topic": "klasteryzacja", "task_type": "original_lab_prompt"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. ## Zadanie 1\n\n1. Wczytaj dataset Titanic.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź liczbę wierszy i kolumn.", "input": "Źródło: 002_braki_i_outliery.py+002_braki_i_outliery.md\nChecklist: policz braki; uzupełnij medianą/modą; wykryj outliery IQR; rozważ winsoryzację\nPułapki: Nie usuwaj masowo danych bez sprawdzenia skali braków i outlierów.", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\ndf.head(10)\n\ndf.shape\n```", "source_file": "002_braki_i_outliery.py+002_braki_i_outliery.md", "topic": "braki danych i outliery", "task_type": "original_lab_prompt"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo rozważ stratify, jeśli problem jest klasyfikacją.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo rozważ stratify, jeśli problem jest klasyfikacją.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. ## Zadanie 10\nZbuduj pipeline:\n- skalowanie\n- PCA\n- model ML", "input": "Źródło: 012_pca.py+012_pca.md\nChecklist: skaluj dane; dopasuj PCA; sprawdź explained_variance_ratio_; dobierz komponenty\nPułapki: Nie wykonuj PCA bez skalowania i nie dopasowuj PCA na danych testowych.", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.model_selection import train_test_split\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.2,\n random_state=42\n)\n\npipeline = Pipeline([\n ('scaler', StandardScaler()),\n ('pca', PCA(n_components=5)),\n ('model', LogisticRegression(max_iter=10000))\n])\n\npipeline.fit(X_train, y_train)\n\npipeline.score(X_test, y_test)\n```", "source_file": "012_pca.py+012_pca.md", "topic": "PCA", "task_type": "original_lab_prompt"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "The following picture shows in a simple way how the nearest neighbor classifier works. The puzzle piece is\nunknown. To find out which animal it might be we have to find the neighbors. If k=1 , the only neighbor is a\ncat and we assume in this case that the puzzle piece should be a cat as well. If k=4 , the nearest neighbors\ncontain one chicken and three cats. In this case again, it will be save to assume that our object in question\nshould be a cat.\nK-NEAREST-NEIGHBOR FROM SCRATCH\nPREPARING THE DATASET\nBefore we actually start with writing a nearest neighbor classifier, we need to think about the data, i.e. the\nlearnset and the testset. We will use the \"iris\" dataset provided by the datasets of the sklearn module.\nThe data set consists of 50 samples from each of three species of Iris\n• Iris setosa,\n• Iris virginica and\n• Iris versicolor.\nFour features were measured from each sample: the length and the width of the sepals and petals, in\ncentimetres.\nimport numpy as np\nfrom sklearn import datasets\niris = datasets.load_iris()\n74", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"knn\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\nprint(\"Accuracy:\", accuracy_score(y_test, model.predict(X_test)))\n```", "source_file": "bernd_klein_python_and_machine_learning_a4.pdf", "topic": "KNN", "task_type": "pdf_practical_pattern"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo rozważ stratify, jeśli problem jest klasyfikacją.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. ## Zadanie 3\n\nZnormalizuj kolumnę `body_mass_g`.", "input": "Źródło: 003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md\nChecklist: oddziel kolumny numeryczne i kategoryczne; skaluj liczby; koduj kategorie; unikaj leakage\nPułapki: Nie skaluj kolumn tekstowych i nie koduj train/test niespójnie.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.preprocessing import MinMaxScaler\n\nscaler = MinMaxScaler()\n\ndf[['body_mass_g_norm']] = scaler.fit_transform(df[['body_mass_g']])\n\ndf[['body_mass_g', 'body_mass_g_norm']].head()\n```", "source_file": "003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. ## Zadanie 8\n\nZastosuj one-hot encoding do kolumny `species`.", "input": "Źródło: 003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md\nChecklist: oddziel kolumny numeryczne i kategoryczne; skaluj liczby; koduj kategorie; unikaj leakage\nPułapki: Nie skaluj kolumn tekstowych i nie koduj train/test niespójnie.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\npd.get_dummies(df['species']).head()\n```", "source_file": "003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. ## Zadanie 6\n\nSprawdź rozkład klas w zbiorze testowym.", "input": "Źródło: 005_podzial_danych.py+005_podzial_danych.md\nChecklist: oddziel X/y; train_test_split; użyj random_state; oceń na test lub cross-validation\nPułapki: Nie oceniaj modelu na zbiorze treningowym i nie dopasowuj preprocessingu przed split.", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\ny_test.value_counts()\n```", "source_file": "005_podzial_danych.py+005_podzial_danych.md", "topic": "podzial danych i walidacja", "task_type": "original_lab_prompt"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. ## Zadanie 11\n\n1. Wczytaj dataset\n2. Podziel dane na train/test\n3. Naucz model KNN\n4. Sprawdź accuracy", "input": "Źródło: 007_knn.py+007_knn.md\nChecklist: skaluj dane; dobierz k; trenuj KNN; oceń accuracy\nPułapki: Nie używaj KNN bez skalowania i nie wybieraj k bez porównania wyników.", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nX = df[['petal_length', 'petal_width']]\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2, random_state=42)\n\nmodel = KNeighborsClassifier(n_neighbors=5)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```", "source_file": "007_knn.py+007_knn.md", "topic": "KNN", "task_type": "original_lab_prompt"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. ## Zadanie 6\n\nUruchom pairplot bez rozróżnienia kolorów.", "input": "Źródło: 006_wizualizacja_ml.py+006_wizualizacja_ml.md\nChecklist: histogramy; boxploty; scatterplot; korelacje; krótka interpretacja\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nsns.pairplot(df)\n```", "source_file": "006_wizualizacja_ml.py+006_wizualizacja_ml.md", "topic": "wizualizacja danych", "task_type": "original_lab_prompt"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. ## Zadanie końcowe 12\n\nPorównaj trzy modele:\n\n- drzewo bez ograniczeń\n- drzewo max_depth = 3\n- drzewo max_depth = 5\n\nKtóry model działa najlepiej?", "input": "Źródło: 008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md\nChecklist: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nmodels = {\n 'bez ograniczen': DecisionTreeClassifier(max_depth=None, random_state=42),\n 'max_depth = 3': DecisionTreeClassifier(max_depth=3, random_state=42),\n 'max_depth = 5': DecisionTreeClassifier(max_depth=5, random_state=42)\n}\n\nresults = []\n\nfor name, tree_model in models.items():\n tree_model.fit(X_train, y_train)\n results.append({\n 'model': name,\n 'accuracy': tree_model.score(X_test, y_test)\n })\n\nresults_df = pd.DataFrame(results).sort_values('accuracy', ascending=False)\nresults_df\n```", "source_file": "008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj train_test_split z random_state=42.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Wyb��r reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj prosty model bazowy.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. ## Zadanie 2\nZinterpretuj współczynniki dla własnych danych.", "input": "Źródło: 009_regresja_liniowa.py+009_regresja_liniowa.md\nChecklist: wybierz y ciągłe; podziel dane; LinearRegression; oceń MSE, RMSE i R2\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nprint(\"Wspolczynnik:\", model_more.coef_)\nprint(\"Intercept:\", model_more.intercept_)\n```", "source_file": "009_regresja_liniowa.py+009_regresja_liniowa.md", "topic": "regresja liniowa", "task_type": "original_lab_prompt"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. ## Zadanie 4\n\nZastosuj standaryzację do kolumny `bill_depth_mm`.", "input": "Źródło: 003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md\nChecklist: oddziel kolumny numeryczne i kategoryczne; skaluj liczby; koduj kategorie; unikaj leakage\nPułapki: Nie skaluj kolumn tekstowych i nie koduj train/test niespójnie.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.preprocessing import StandardScaler\n\nscaler = StandardScaler()\n\ndf[['bill_depth_standard']] = scaler.fit_transform(df[['bill_depth_mm']])\n\ndf[['bill_depth_mm', 'bill_depth_standard']].head()\n```", "source_file": "003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo rozważ stratify, jeśli problem jest klasyfikacją.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj prosty model bazowy.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. ## Zadanie 6\n\nSprawdź unikalne wartości w kolumnie `island`.", "input": "Źródło: 003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md\nChecklist: oddziel kolumny numeryczne i kategoryczne; skaluj liczby; koduj kategorie; unikaj leakage\nPułapki: Nie skaluj kolumn tekstowych i nie koduj train/test niespójnie.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\ndf['island'].unique()\n```", "source_file": "003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. ## Zadanie 9\n\nUsuń outliery w kolumnie `age`.", "input": "Źródło: 002_braki_i_outliery.py+002_braki_i_outliery.md\nChecklist: policz braki; uzupełnij medianą/modą; wykryj outliery IQR; rozważ winsoryzację\nPułapki: Nie usuwaj masowo danych bez sprawdzenia skali braków i outlierów.", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nage_no_outliers = df[(df['age'] >= Q1 - 1.5 * IQR) & (df['age'] <= Q3 + 1.5 * IQR)]\n\nage_no_outliers.shape\n```", "source_file": "002_braki_i_outliery.py+002_braki_i_outliery.md", "topic": "braki danych i outliery", "task_type": "original_lab_prompt"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. ## Zadanie 4\n\nUżyj k = 5.", "input": "Źródło: 007_knn.py+007_knn.md\nChecklist: skaluj dane; dobierz k; trenuj KNN; oceń accuracy\nPułapki: Nie używaj KNN bez skalowania i nie wybieraj k bez porównania wyników.", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nmodel = KNeighborsClassifier(n_neighbors=5)\n\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```", "source_file": "007_knn.py+007_knn.md", "topic": "KNN", "task_type": "original_lab_prompt"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj prosty model bazowy.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "The Machine Learning Development Process48\nIn this part of the process, you are not overly concerned with details of implementation, but with \nexploring the realms of possibility and gaining an in-depth understanding of the data and the \nproblem, which goes beyond initial discovery work. Since the goal here is not to create produc -\ntion-ready code or to build reusable tools, you should not worry about whether or not the code \nyou are writing is of the highest quality, or using sophisticated patterns. For example, it will not \nbe uncommon to see code that looks something like the following examples (taken, in fact, from \nthe repo for this book):\nFigure 2.8: Some example prototype code that will be created during the play stage.\nEven a quick glance at these screenshots tells you a few things:\n• The code is in a Jupyter notebook, which is run by a user interactively in a web browser.\n• The code sporadically calls methods to simply check or explore elements of the data (for \nexample, df.head() and df.dtypes).\n• There is ad hoc code for plotting (and it’s not very intuitive!).\n• There is a variable called tmp, which is not very descriptive.\nAll of this is absolutely fine in this more e", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.compose import ColumnTransformer\nfrom sklearn.preprocessing import OneHotEncoder, StandardScaler\n\nnum_cols = X.select_dtypes(include=\"number\").columns\ncat_cols = X.select_dtypes(include=\"object\").columns\n\npreprocess = ColumnTransformer([\n (\"num\", StandardScaler(), num_cols),\n (\"cat\", OneHotEncoder(handle_unknown=\"ignore\"), cat_cols),\n])\n```", "source_file": "Machine Learning Engineering with Python.pdf", "topic": "normalizacja i kodowanie", "task_type": "pdf_practical_pattern"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. ## Zadanie 11\n\n1. Wczytaj dataset\n2. Podziel dane na train/test\n3. Naucz model drzewa\n4. Sprawdź accuracy", "input": "Źródło: 008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md\nChecklist: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nX = df.drop('species', axis=1)\ny = df['species']\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.2,\n random_state=42\n)\n\nmodel = DecisionTreeClassifier(random_state=42)\nmodel.fit(X_train, y_train)\n\nmodel.score(X_test, y_test)\n```", "source_file": "008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. ## Zadanie 8\n\nSprawdź wpływ `max_depth = 2` oraz `max_depth = 5`.", "input": "Źródło: 008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md\nChecklist: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nmodel_depth_2 = DecisionTreeClassifier(max_depth=2, random_state=42)\nmodel_depth_5 = DecisionTreeClassifier(max_depth=5, random_state=42)\n\nmodel_depth_2.fit(X_train, y_train)\nmodel_depth_5.fit(X_train, y_train)\n\nmodel_depth_2.score(X_test, y_test), model_depth_5.score(X_test, y_test)\n```", "source_file": "008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "K-NEAREST-NEIGHBOR CLASSIFIER\n\"Show me who your friends are and I’ll\ntell you who you are?\"\nThe concept of the k-nearest neighbor\nclassifier can hardly be simpler described.\nThis is an old saying, which can be found\nin many languages and many cultures. It's\nalso metnioned in other words in the\nBible: \"He who walks with wise men will\nbe wise, but the companion of fools will\nsuffer harm\" (Proverbs 13:20 )\nThis means that the concept of the k-\nnearest neighbor classifier is part of our\neveryday life and judging: Imagine you\nmeet a group of people, they are all very\nyoung, stylish and sportive. They talk\nabout there friend Ben, who isn't with them. So, what is your imagination of Ben? Right, you imagine him as\nbeing yong, stylish and sportive as well.\nIf you learn that Ben lives in a neighborhood where people vote conservative and that the average income is\nabove 200000 dollars a year? Both his neighbors make even more than 300,000 dollars per year? What do you\nthink of Ben? Most probably, you do not consider him to be an underdog and you may suspect him to be a\nconservative as well?\nThe principle behind nearest neighbor classification consists in finding a predefined number, i.e. the", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.neighbors import KNeighborsClassifier\nfrom sklearn.metrics import accuracy_score\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"knn\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\nprint(\"Accuracy:\", accuracy_score(y_test, model.predict(X_test)))\n```", "source_file": "bernd_klein_python_and_machine_learning_a4.pdf", "topic": "KNN", "task_type": "pdf_practical_pattern"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: regresja wartości ciągłej z cechami mieszanymi. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: mpg. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::mpg", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. ## Zadanie 6\nZmień liczbę centrów i obserwuj dane.", "input": "Źródło: 011_klastry.py+011_klastry.md\nChecklist: skaluj dane; dobierz K metodą łokcia; KMeans; interpretuj klastry\nPułapki: Nie zakładaj istnienia targetu y i nie interpretuj inertia bez porównania kilku K.", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nX_5, y_5 = make_blobs(n_samples=300, centers=5, random_state=42)\n\nplt.scatter(X_5[:, 0], X_5[:, 1], c=y_5)\nplt.title(\"Dane syntetyczne - 5 centrow\")\nplt.show()\n```", "source_file": "011_klastry.py+011_klastry.md", "topic": "klasteryzacja", "task_type": "original_lab_prompt"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. ## Zadanie 6\n\nWczytaj tylko kolumny:\n\n- total_bill\n- sex\n- day", "input": "Źródło: 001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md\nChecklist: wczytaj dane; sprawdź head, shape, dtypes; policz braki; wybierz lub zapisz wynik\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\ncolumns_subset = pd.read_csv(\n \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\",\n usecols=[\"total_bill\", \"sex\", \"day\"]\n)\n\ncolumns_subset.head()\n```", "source_file": "001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo rozważ stratify, jeśli problem jest klasyfikacją.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. ## Zadanie 3\n\nPodziel dane w proporcji 70/30.", "input": "Źródło: 008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md\nChecklist: trenuj DecisionTree; porównaj max_depth; oceń accuracy; sprawdź ważność cech\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nX_train, X_test, y_train, y_test = train_test_split(\n X, y,\n test_size=0.3,\n random_state=42\n)\n\nX_train.shape, X_test.shape\n```", "source_file": "008_drzewa_decyzyjne.py+008_drzewa_decyzyjne.md", "topic": "drzewa decyzyjne", "task_type": "original_lab_prompt"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::penguins", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. ## Zadanie końcowe 12\n\nPorównaj trzy strategie:\n\n- 70/30 split\n- 80/20 split\n- cross validation\n\nKtóra daje najbardziej stabilne wyniki?", "input": "Źródło: 005_podzial_danych.py+005_podzial_danych.md\nChecklist: oddziel X/y; train_test_split; użyj random_state; oceń na test lub cross-validation\nPułapki: Nie oceniaj modelu na zbiorze treningowym i nie dopasowuj preprocessingu przed split.", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nX_train_70, X_test_70, y_train_70, y_test_70 = train_test_split(X, y, test_size=0.3, random_state=42)\nmodel_70 = DecisionTreeClassifier(random_state=42)\nmodel_70.fit(X_train_70, y_train_70)\nscore_70 = model_70.score(X_test_70, y_test_70)\n\nX_train_80, X_test_80, y_train_80, y_test_80 = train_test_split(X, y, test_size=0.2, random_state=42)\nmodel_80 = DecisionTreeClassifier(random_state=42)\nmodel_80.fit(X_train_80, y_train_80)\nscore_80 = model_80.score(X_test_80, y_test_80)\n\ncv_scores = cross_val_score(DecisionTreeClassifier(random_state=42), X, y, cv=5)\n\nscore_70, score_80, cv_scores.mean()\n```", "source_file": "005_podzial_danych.py+005_podzial_danych.md", "topic": "podzial danych i walidacja", "task_type": "original_lab_prompt"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. ## Zadanie 2\nNarysuj sigmoid dla zakresu [-5,5] i porównaj wykres.", "input": "Źródło: 010_regresja_logistyczna.py+010_regresja_logistyczna.md\nChecklist: wybierz y binarne; skaluj dane; LogisticRegression; confusion_matrix, precision, recall\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nz = np.linspace(-5, 5, 100)\ns = sigmoid(z)\n\nplt.plot(z, s)\nplt.title(\"Funkcja sigmoidalna [-5, 5]\")\nplt.xlabel(\"z\")\nplt.ylabel(\"sigmoid(z)\")\nplt.show()\n```", "source_file": "010_regresja_logistyczna.py+010_regresja_logistyczna.md", "topic": "regresja logistyczna", "task_type": "original_lab_prompt"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. ## Zadanie 3\nPrzewidź wartości dla X = 10, 20.", "input": "Źródło: 009_regresja_liniowa.py+009_regresja_liniowa.md\nChecklist: wybierz y ciągłe; podziel dane; LinearRegression; oceń MSE, RMSE i R2\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nnew_data = np.array([[10], [20]])\npredictions = model_more.predict(new_data)\n\npredictions\n```", "source_file": "009_regresja_liniowa.py+009_regresja_liniowa.md", "topic": "regresja liniowa", "task_type": "original_lab_prompt"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. ## Zadanie 1\n\n1. Wczytaj dane z tego samego pliku.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź ile wierszy ma dataset.", "input": "Źródło: 001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md\nChecklist: wczytaj dane; sprawdź head, shape, dtypes; policz braki; wybierz lub zapisz wynik\nPułapki: Sprawdź typy kolumn i unikaj data leakage.", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\ndf_task1 = pd.read_csv(url)\n\ndf_task1.head(10)\nlen(df_task1)\n```", "source_file": "001_pozyskiwanie_danych.py+001_pozyskiwanie_danych.md", "topic": "pozyskiwanie danych", "task_type": "original_lab_prompt"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "CONFUSION MATRIX\nBefore we continue with the term accuracy , we want to make sure that you understand what a confusion\nmatrix is about.\nA confusion matrix, also called a contingeny table or error matrix, is used to visualize the performance of a\nclassifier.\nThe columns of the matrix represent the instances of the predicted classes and the rows represent the instances\nof the actual class. (Note: It can be the other way around as well.)\nIn the case of binary classification the table has 2 rows and 2 columns.\n8", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "bernd_klein_python_and_machine_learning_a4.pdf", "topic": "regresja logistyczna", "task_type": "pdf_practical_pattern"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::tips", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::iris", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj prosty model bazowy.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::diamonds", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"mpg\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::mpg", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. ## Zadanie 8\nPorównaj wyniki przed i po skalowaniu.", "input": "Źródło: 011_klastry.py+011_klastry.md\nChecklist: skaluj dane; dobierz K metodą łokcia; KMeans; interpretuj klastry\nPułapki: Nie zakładaj istnienia targetu y i nie interpretuj inertia bez porównania kilku K.", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nkmeans_raw = KMeans(n_clusters=4, random_state=42)\nlabels_raw = kmeans_raw.fit_predict(X)\n\nkmeans_scaled = KMeans(n_clusters=4, random_state=42)\nlabels_scaled = kmeans_scaled.fit_predict(X_scaled)\n\nplt.scatter(X[:, 0], X[:, 1], c=labels_raw)\nplt.title(\"Przed skalowaniem\")\nplt.show()\n\nplt.scatter(X[:, 0], X[:, 1], c=labels_scaled)\nplt.title(\"Po skalowaniu\")\nplt.show()\n```", "source_file": "011_klastry.py+011_klastry.md", "topic": "klasteryzacja", "task_type": "original_lab_prompt"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. ## Zadanie 5\n\nZastosuj RobustScaler do `bill_length_mm`.", "input": "Źródło: 003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md\nChecklist: oddziel kolumny numeryczne i kategoryczne; skaluj liczby; koduj kategorie; unikaj leakage\nPułapki: Nie skaluj kolumn tekstowych i nie koduj train/test niespójnie.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nfrom sklearn.preprocessing import RobustScaler\n\nscaler = RobustScaler()\n\ndf[['bill_length_robust']] = scaler.fit_transform(df[['bill_length_mm']])\n\ndf[['bill_length_mm', 'bill_length_robust']].head()\n```", "source_file": "003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::mpg", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: uczenie nienadzorowane: segmentacja danych bez używania etykiety. Kolumny: carat, cut, color, clarity, depth, table, price. Target: brak targetu. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nimport pandas as pd\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.cluster import KMeans\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nX = pd.get_dummies(df.dropna(), drop_first=True)\n\ninertia = []\nfor k in range(1, 10):\n pipe = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=k, random_state=42)),\n ])\n pipe.fit(X)\n inertia.append(pipe.named_steps[\"kmeans\"].inertia_)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"kmeans\", KMeans(n_clusters=4, random_state=42)),\n])\nlabels = model.fit_predict(X)\nprint(labels[:10])\n```", "source_file": "kolokwium::diamonds", "topic": "klasteryzacja", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uzasadnij, czy zadanie jest nadzorowane czy nienadzorowane.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. ## Zadanie końcowe 12\n\nPrzetestuj różne wartości:\n\n- k = 1\n- k = 5\n- k = 15\n\nPorównaj granice decyzyjne.", "input": "Źródło: 007_knn.py+007_knn.md\nChecklist: skaluj dane; dobierz k; trenuj KNN; oceń accuracy\nPułapki: Nie używaj KNN bez skalowania i nie wybieraj k bez porównania wyników.", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\n# Wyjaśnienie: wykonaj krok i zinterpretuj wynik w komentarzu.\nfor k in [1, 5, 15]:\n model = KNeighborsClassifier(n_neighbors=k)\n model.fit(X, y_encoded)\n\n Z = model.predict(np.c_[xx.ravel(), yy.ravel()])\n Z = Z.reshape(xx.shape)\n\n plt.contourf(xx, yy, Z, alpha=0.2)\n sns.scatterplot(x=X.iloc[:,0], y=X.iloc[:,1], hue=y)\n plt.title(f\"k = {k}\")\n plt.show()\n```", "source_file": "007_knn.py+007_knn.md", "topic": "KNN", "task_type": "original_lab_prompt"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::tips", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj train_test_split z random_state=42.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. ## Zadanie 1\n\n1. Wczytaj dataset.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź rozmiar datasetu (`shape`).", "input": "Źródło: 003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md\nChecklist: oddziel kolumny numeryczne i kategoryczne; skaluj liczby; koduj kategorie; unikaj leakage\nPułapki: Nie skaluj kolumn tekstowych i nie koduj train/test niespójnie.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\ndf.head(10)\n\ndf.shape\n```", "source_file": "003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz preprocessing do typów kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny numeryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::titanic", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo najpierw rozpoznaj typ problemu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::penguins", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj train_test_split z random_state=42.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::iris", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dobierz właściwą metrykę.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "KNN klasyfikuje obserwację na podstawie klas jej najbliższych sąsiadów. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj prosty model bazowy.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj X i y\n2) przeskaluj cechy\n3) porównaj wartości k\n4) oceń accuracy\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.neighbors import KNeighborsClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", KNeighborsClassifier(n_neighbors=5)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "KNN", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::mpg", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::diamonds", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. ## Zadanie 2\n\nSprawdź minimalne i maksymalne wartości dla:\n\n- bill_length_mm\n- body_mass_g", "input": "Źródło: 003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md\nChecklist: oddziel kolumny numeryczne i kategoryczne; skaluj liczby; koduj kategorie; unikaj leakage\nPułapki: Nie skaluj kolumn tekstowych i nie koduj train/test niespójnie.", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\ndf[['bill_length_mm', 'body_mass_g']].agg(['min', 'max'])\n```", "source_file": "003_normalizacja_kodowanie.py+003_normalizacja_kodowanie.md", "topic": "normalizacja i kodowanie", "task_type": "original_lab_prompt"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zwróć uwagę na interpretację metryk.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) przygotuj X i y\n2) podziel dane\n3) trenuj LinearRegression\n4) oceń MSE, RMSE i R2\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.linear_model import LinearRegression\nfrom sklearn.metrics import mean_squared_error, r2_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42\n)\n\nmodel = LinearRegression()\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nmse = mean_squared_error(y_test, y_pred)\nrmse = np.sqrt(mse)\nr2 = r2_score(y_test, y_pred)\nprint(mse, rmse, r2)\n```", "source_file": "kolokwium::tips", "topic": "regresja liniowa", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uwzględnij kolumny kategoryczne.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\").dropna()\nX = pd.get_dummies(df.drop(\"mpg\", axis=1), drop_first=True)\ny = df[\"mpg\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::mpg", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź brakujące wartości przed modelem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::diamonds", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór reprezentacji danych\n• dla obrazu: piksele, histogramy , transformacje (Fouriera, falkowa),\n• dla tekstu: wektory TF-IDF , embeddingi,\n• dla dźwięku: współczynniki MFCC, energia pasmowa. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: eksploracyjna analiza danych przed modelowaniem. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zacznij od head(), shape i isna().sum().", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) sprawdź rozkłady\n2) narysuj boxplot/scatter\n3) policz korelacje\n4) zinterpretuj wykresy\n\n```python\nimport pandas as pd\nimport seaborn as sns\nimport matplotlib.pyplot as plt\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\")\nprint(df.head())\nprint(df.shape)\nprint(df.isna().sum())\n\ndf.hist(figsize=(10, 8))\nplt.show()\n\nnum_df = df.select_dtypes(include=\"number\")\nsns.heatmap(num_df.corr(), annot=True, cmap=\"coolwarm\")\nplt.show()\n```", "source_file": "kolokwium::penguins", "topic": "wizualizacja danych", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo sprawdź typy danych przed preprocessingiem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wypisz najważniejsze wyniki na końcu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Wykrywanie klastrów - w problemach grupowania (np. ## Zadanie 2\nSprawdź centroidy dla różnych wartości K.", "input": "Źródło: 011_klastry.py+011_klastry.md\nChecklist: skaluj dane; dobierz K metodą łokcia; KMeans; interpretuj klastry\nPułapki: Nie zakładaj istnienia targetu y i nie interpretuj inertia bez porównania kilku K.", "output": "1) wybierz cechy\n2) skaluj dane\n3) dobierz K metodą łokcia\n4) trenuj KMeans\n\n```python\nfor k in [2, 3, 4, 5]:\n km = KMeans(n_clusters=k, random_state=42)\n km.fit(X)\n print(f\"K={k}\")\n print(km.cluster_centers_)\n```", "source_file": "011_klastry.py+011_klastry.md", "topic": "klasteryzacja", "task_type": "original_lab_prompt"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj pipeline tam, gdzie zmniejsza ryzyko błędu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: mpg, cylinders, displacement, horsepower, weight, acceleration, origin. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie odporne na nieznane nazwy kolumn.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/mpg.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::mpg", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "Wgrywamy tysiące zdjęć\nkotów i innych zwierząt, a algorytm sam „nauczy się” , czym różni się kot od psa\nczy ptaka, bez konieczności definiowania reguł ręcznie. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wskaż X i y.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj klasy binarne\n2) skaluj cechy\n3) trenuj LogisticRegression\n4) oceń confusion matrix\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.linear_model import LogisticRegression\nfrom sklearn.metrics import confusion_matrix, precision_score, recall_score\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"logreg\", LogisticRegression(max_iter=10000)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(confusion_matrix(y_test, y_pred))\nprint(precision_score(y_test, y_pred))\nprint(recall_score(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "regresja logistyczna", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: regresja wartości ciągłej. Kolumny: carat, cut, color, clarity, depth, table, price. Target: price. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. ## Zadanie 5\n\nPodziel dane w proporcji 70/30.", "input": "Źródło: 005_podzial_danych.py+005_podzial_danych.md\nChecklist: oddziel X/y; train_test_split; użyj random_state; oceń na test lub cross-validation\nPułapki: Nie oceniaj modelu na zbiorze treningowym i nie dopasowuj preprocessingu przed split.", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nX_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.3, random_state=42)\n\nprint(len(X_train), len(X_test))\n```", "source_file": "005_podzial_danych.py+005_podzial_danych.md", "topic": "podzial danych i walidacja", "task_type": "original_lab_prompt"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo uważaj na data leakage.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Braki (missing values) mogą znacząco pogorszyć jakość\nmodelu. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: czyszczenie danych przed dalszą analizą lub modelowaniem. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) policz braki\n2) uzupełnij wartości\n3) wyznacz IQR\n4) usuń lub przytnij outliery\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(\"price\", axis=1), drop_first=True)\ny = df[\"price\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::diamonds", "topic": "braki danych i outliery", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: regresja wartości napiwku albo EDA. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: tip. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo opisz typowe błędy przy tym zadaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz kod z komentarzami po polsku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zaproponuj porównanie z drugim podejściem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. ## Zadanie 7\n\nSprawdź accuracy modelu.", "input": "Źródło: 005_podzial_danych.py+005_podzial_danych.md\nChecklist: oddziel X/y; train_test_split; użyj random_state; oceń na test lub cross-validation\nPułapki: Nie oceniaj modelu na zbiorze treningowym i nie dopasowuj preprocessingu przed split.", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nmodel.score(X_test, y_test)\n```", "source_file": "005_podzial_danych.py+005_podzial_danych.md", "topic": "podzial danych i walidacja", "task_type": "original_lab_prompt"} +{"instruction": "Pierwszym etapem analizy jest wczytanie danych i sprawdzenie ich struktury. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: wczytanie i podstawowa eksploracja danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) wczytaj dane\n2) sprawdź head, shape i typy\n3) policz braki\n4) zwróć lub zapisz wynik\n\n```python\nimport pandas as pd\n\nurl = \"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\"\ndf = pd.read_csv(url)\n\nprint(df.head())\nprint(df.shape)\nprint(df.dtypes)\nprint(df.isna().sum())\n```", "source_file": "kolokwium::titanic", "topic": "pozyskiwanie danych", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Zastosuj praktyczny wzorzec z materiału PDF do podobnego datasetu na kolokwium.", "input": "the value of a target based on input variables.\nIn the predictive model, the data’s attributes that are determined\nthrough observation are represented by the branches, while the\nconclusions about the data’s target value are represented in the \nleaves.\nWhen “learning” a tree, the source data is divided into subsets \nbased\non an attribute value test, which is repeated on each of the \nderived\nsubsets recursively. Once the subset at a node has the \nequivalent value as\nits target value has, the recursion process will \nbe complete.\nLet’s look at an example of various conditions that can determine\nwhether or not someone should go fishing. This includes weather\nconditions as well as barometric pressure conditions.\nfishing decision tree example\nIn the simplified decision tree above, an example is classified by\nsorting it through the tree to the appropriate leaf node. This then \nreturns\nthe classification associated with the particular leaf, \nwhich in this case is", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.tree import DecisionTreeClassifier\nfrom sklearn.metrics import accuracy_score, confusion_matrix\n\nX = df.drop(target, axis=1)\ny = df[target]\nX = pd.get_dummies(X, drop_first=True)\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = DecisionTreeClassifier(max_depth=3, random_state=42)\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "machine-learning-projects-python.pdf", "topic": "drzewa decyzyjne", "task_type": "pdf_practical_pattern"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, jak dobrać cechy do modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj kolejność działań przed kodem.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: carat, cut, color, clarity, depth, table, price. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo wyjaśnij, kiedy wynik jest sensowny.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/diamonds.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"price\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::diamonds", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Drzewo decyzyjne uczy się reguł podziału danych na podstawie cech. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo użyj train_test_split z random_state=42.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) przygotuj dane\n2) trenuj DecisionTree\n3) porównaj głębokości\n4) oceń accuracy i ważność cech\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "drzewa decyzyjne", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo napisz rozwiązanie jak w notebooku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. ## Zadanie 1\n\n1. Wczytaj dataset.\n2. Wyświetl pierwsze 10 wierszy.\n3. Sprawdź liczbę obserwacji.", "input": "Źródło: 005_podzial_danych.py+005_podzial_danych.md\nChecklist: oddziel X/y; train_test_split; użyj random_state; oceń na test lub cross-validation\nPułapki: Nie oceniaj modelu na zbiorze treningowym i nie dopasowuj preprocessingu przed split.", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\ndf.head(10)\n\nlen(df)\n```", "source_file": "005_podzial_danych.py+005_podzial_danych.md", "topic": "podzial danych i walidacja", "task_type": "original_lab_prompt"} +{"instruction": "Składowe uczenia maszynowego\n• Dane i wzorce - komputerom dostarcza się dane, które mogą być\nobserwacjami, interakcjami lub przykładami. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: redukcja wymiaru i analiza wariancji cech. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: opcjonalny, nieużywany w PCA. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj krótką interpretację wyniku.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) skaluj dane\n2) dopasuj PCA\n3) sprawdź wariancję\n4) wybierz liczbę komponentów\n\n```python\nimport pandas as pd\nimport numpy as np\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.decomposition import PCA\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(columns=[\"species\"], errors=\"ignore\"), drop_first=True)\n\nX_scaled = StandardScaler().fit_transform(X)\npca = PCA()\npca.fit(X_scaled)\ncum_var = np.cumsum(pca.explained_variance_ratio_)\nn_components = np.argmax(cum_var >= 0.95) + 1\nX_pca = PCA(n_components=n_components).fit_transform(X_scaled)\nprint(n_components)\nprint(X_pca.shape)\n```", "source_file": "kolokwium::penguins", "topic": "PCA", "task_type": "exam_full_pipeline"} +{"instruction": "Wybór modelu - Model Selection - na podstawie rodzaju problemu\nwybierany jest odpowiedni algorytm, taki jak regresja liniowa, drzewa\ndecyzyjne czy sieci neuronowe. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv. Problem: klasyfikacja wieloklasowa. Kolumny: sepal_length, sepal_width, petal_length, petal_width, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo dodaj minimalną walidację jakości modelu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv", "output": "1) oddziel X i y\n2) podziel dane\n3) trenuj klasyfikator\n4) oceń raport klasyfikacji\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/iris.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::iris", "topic": "klasyfikacja", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv. Problem: klasyfikacja binarna z brakami danych. Kolumny: age, fare, sex, pclass, embarked, survived. Target: survived. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo zadbaj o zgodność train i test po kodowaniu.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/titanic.csv\").dropna()\nX = pd.get_dummies(df.drop(\"survived\", axis=1), drop_first=True)\ny = df[\"survived\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::titanic", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"} +{"instruction": "W zależności od kontekstu, normalizacja może oznaczać projektowanie\nrelacyjnych baz danych według reguł form normalnych, lub skalowanie wartości\ndanych do wspólnej skali w celu przygotowania ich do modeli uczenia\nmaszynowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv. Problem: przygotowanie cech numerycznych i kategorycznych do modelowania. Kolumny: total_bill, tip, sex, smoker, day, time, size. Target: opcjonalny. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo unikaj dopasowania skalera na danych testowych.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv", "output": "1) oddziel X i y\n2) wykryj typy kolumn\n3) skaluj numeryczne\n4) zakoduj kategoryczne\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/tips.csv\").dropna()\nX = pd.get_dummies(df.drop(\"tip\", axis=1), drop_first=True)\ny = df[\"tip\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::tips", "topic": "normalizacja i kodowanie", "task_type": "exam_full_pipeline"} +{"instruction": "zbiorów walidacyjnych i testowych, sprawdzianu\nkrzyżowego. Masz dataset pod adresem https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv. Problem: klasyfikacja z cechami numerycznymi i kategorycznymi. Kolumny: bill_length_mm, bill_depth_mm, flipper_length_mm, body_mass_g, island, sex, species. Target: species. Wykonaj pełny pipeline ML: wczytanie, EDA, preprocessing, model lub metoda, ocena. Dodatkowo podaj, co zrobić jeśli dataset ma braki w target.", "input": "https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv", "output": "1) oddziel X i y\n2) podziel train/test\n3) wytrenuj model\n4) oceń test i opcjonalnie CV\n\n```python\nimport pandas as pd\nfrom sklearn.model_selection import train_test_split\nfrom sklearn.pipeline import Pipeline\nfrom sklearn.preprocessing import StandardScaler\nfrom sklearn.metrics import accuracy_score, confusion_matrix\nfrom sklearn.tree import DecisionTreeClassifier\n\ndf = pd.read_csv(\"https://raw.githubusercontent.com/mwaskom/seaborn-data/master/penguins.csv\").dropna()\nX = pd.get_dummies(df.drop(\"species\", axis=1), drop_first=True)\ny = df[\"species\"]\n\nX_train, X_test, y_train, y_test = train_test_split(\n X, y, test_size=0.2, random_state=42, stratify=y\n)\n\nmodel = Pipeline([\n (\"scaler\", StandardScaler()),\n (\"model\", DecisionTreeClassifier(max_depth=3, random_state=42)),\n])\nmodel.fit(X_train, y_train)\ny_pred = model.predict(X_test)\n\nprint(\"Accuracy:\", accuracy_score(y_test, y_pred))\nprint(confusion_matrix(y_test, y_pred))\n```", "source_file": "kolokwium::penguins", "topic": "podzial danych i walidacja", "task_type": "exam_full_pipeline"}