diff --git "a/data/batch_00000.jsonl" "b/data/batch_00000.jsonl" --- "a/data/batch_00000.jsonl" +++ "b/data/batch_00000.jsonl" @@ -1,3 +1,126 @@ +{"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: 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:\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: 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:\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: 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:\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: iris_like.\nKolumny mogą wyglądać tak: sepal_length, sepal_width, petal_length, petal_width, species.\nTarget: species.\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: 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:\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: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\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: 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_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: wine_like.\nKolumny mogą wyglądać tak: alcohol, malic_acid, ash, magnesium, flavanoids, class.\nTarget: class.\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: 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_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: 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:\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: iris_like.\nKolumny mogą wyglądać tak: sepal_length, sepal_width, petal_length, petal_width, species.\nTarget: species.\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: 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:\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: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\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: 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 = 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: iris_like.\nKolumny mogą wyglądać tak: sepal_length, sepal_width, petal_length, petal_width, species.\nTarget: species.\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: 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[['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: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\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: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\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: wine_like.\nKolumny mogą wyglądać tak: alcohol, malic_acid, ash, magnesium, flavanoids, class.\nTarget: class.\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: 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['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: 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 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: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\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: iris_like.\nKolumny mogą wyglądać tak: sepal_length, sepal_width, petal_length, petal_width, 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: 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:\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: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\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: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\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: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\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: 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_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: 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(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: 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:\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: 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:\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: 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:\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: 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:\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: 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:\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: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\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: 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.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: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\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: 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:\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: 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:\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: 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['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: 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:\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: 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:\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: 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:\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: 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:\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: 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 = 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: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\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: 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=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: 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:\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: sales_like.\nKolumny mogą wyglądać tak: ad_spend, price, season, store_size, sales.\nTarget: sales.\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: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\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: 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_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: 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=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: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\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: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\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: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\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: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\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: 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_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: 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:\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: sales_like.\nKolumny mogą wyglądać tak: ad_spend, price, season, store_size, sales.\nTarget: sales.\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: 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_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: 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:\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: 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:\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: customers_like.\nKolumny mogą wyglądać tak: age, annual_income, spending_score.\nTarget: brak.\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: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\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: 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:\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: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\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: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\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: 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:\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: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\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: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\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: 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:\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: 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:\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: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\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: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\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: 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:\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: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\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: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\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: 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:\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: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\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: 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:\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: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\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: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\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: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\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: 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:\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: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\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: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\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: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\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: 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:\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: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\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: 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; 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: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\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: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\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: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\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: 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; 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: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\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: bank_churn_like.\nKolumny mogą wyglądać tak: age, balance, products_number, credit_score, country, gender, churn.\nTarget: churn.\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: titanic_like.\nKolumny mogą wyglądać tak: age, fare, sex, pclass, embarked, survived.\nTarget: survived.\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: 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; 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: housing_like.\nKolumny mogą wyglądać tak: area, rooms, age, distance_to_center, price.\nTarget: price.\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 isna().sum(); uzupełnij lub usuń braki świadomie; wykryj outliery metodą IQR albo boxplotem\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 isna().sum(); uzupełnij lub usuń braki świadomie; wykryj outliery metodą IQR albo boxplotem\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 i y; użyj train_test_split z random_state; oceń model na danych testowych lub przez cross-validation\n\nPułapki:\nNie oceniaj modelu na danych treningowych; 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 danych treningowych; nie zapominaj o stratify przy nierównych klasach.", "topic": "podział danych i walidacja", "task_type": "md_exercise_solution", "source_file": "005_podzial_danych.md"} @@ -875,126 +998,3 @@ {"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: zinterpretuj klastry i centroidy. 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:\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::sales_like"} {"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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:\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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wytrenuj KNN i dobierz parametr k. 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:\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::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wykonaj PCA po skalowaniu danych. 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:\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::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: porównaj model przed i po skalowaniu. 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:\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::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: oceń confusion matrix, precision, recall i ROC AUC. 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:\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::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: porównaj model przed i po skalowaniu. 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:\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::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: przygotuj preprocessing numeryczny i kategoryczny. 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 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::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: zinterpretuj współczynniki regresji i wykres reszt. 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 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::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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 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. 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:\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 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. 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 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 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. 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:\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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: wizualizacja 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: wykryj potencjalne outliery na wykresach. 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:\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::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: zinterpretuj współczynniki regresji i wykres reszt. 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 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::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wykonaj KMeans na danych bez etykiet. 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:\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::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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:\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 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. 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. 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:\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::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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 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. 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:\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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. 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 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::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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; 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 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. 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 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 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 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. 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 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\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 usuwanie outlierów z winsoryzacją. 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:\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::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: oceń confusion matrix, precision, recall i ROC AUC. 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:\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::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: zinterpretuj współczynniki regresji i wykres reszt. 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:\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::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wykonaj PCA po skalowaniu danych. 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:\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::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wykonaj PCA po skalowaniu danych. 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:\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::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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 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. 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:\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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: zinterpretuj współczynniki regresji i wykres reszt. 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:\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::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: zbuduj model regresji dla zmiennej ciągłej. 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:\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::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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:\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 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. 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:\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 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. 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: zinterpretuj współczynniki regresji i wykres reszt. 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:\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::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: wykonaj KMeans na danych bez etykiet. 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:\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::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: drzewa decyzyjne\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wytrenuj drzewo decyzyjne i oceń accuracy. 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:\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::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: zbuduj klasyfikator binarny regresją logistyczną. 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:\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::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: pokaż dlaczego skalowanie jest ważne dla KNN. 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:\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::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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:\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 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. 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: dobierz liczbę komponentów dla 95% wariancji. 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:\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::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: zastosuj StandardScaler lub MinMaxScaler we właściwym miejscu. 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; 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::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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 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 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: oceń klasyfikator raportem klasyfikacji. 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 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::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: wykonaj PCA po skalowaniu danych. 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:\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::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: rozpoznaj problem klasyfikacji i dobierz model. 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:\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::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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 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. 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: oceń klasyfikator raportem klasyfikacji. 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:\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::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: porównaj metryki odległości dla KNN. 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:\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::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: zinterpretuj współczynniki regresji i wykres reszt. 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:\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::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\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 KMeans na danych bez etykiet. 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:\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::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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 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. 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:\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 zastosować wiedzę z lab��w 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. 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: znajdź wartości odstające metodą IQR. Wskaż typowe błędy, których należy uniknąć.", "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:\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::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: dobierz liczbę komponentów dla 95% wariancji. 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:\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::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: zinterpretuj współczynniki regresji i wykres reszt. 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:\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::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\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: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\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::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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:\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 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: wine_like\nProblem: klasyfikacja z wieloma cechami numerycznymi\nKolumny: alcohol, malic_acid, ash, magnesium, flavanoids, class\nTarget: class\n\nPolecenie: zakoduj zmienne kategoryczne metodą one-hot. 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 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::wine_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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:\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 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. Wskaż typowe błędy, których należy uniknąć.", "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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\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: zinterpretuj klastry i centroidy. 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:\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::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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:\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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\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: znajdź wartości odstające metodą IQR. 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:\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::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wytrenuj KNN i dobierz parametr k. 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:\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::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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 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. 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:\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 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. 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:\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 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. 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:\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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\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: zinterpretuj współczynniki regresji i wykres reszt. 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:\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::penguins_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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 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. 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:\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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: porównaj metryki odległości dla KNN. 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:\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::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: KNN\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: pokaż dlaczego skalowanie jest ważne dla KNN. 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:\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::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: dobierz K metodą łokcia. 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:\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::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasteryzacja\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: zinterpretuj klastry i centroidy. 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:\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::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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:\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 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. 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:\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 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. 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:\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 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: dobierz liczbę komponentów dla 95% wariancji. 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; 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::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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 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. 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, 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: 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; 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::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: bank_churn_like\nProblem: klasyfikacja binarna z kodowaniem kategorii\nKolumny: age, balance, products_number, credit_score, country, gender, churn\nTarget: churn\n\nPolecenie: dobierz liczbę komponentów dla 95% wariancji. 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:\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::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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; 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: przygotuj preprocessing numeryczny i kategoryczny. 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; 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::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: oceń klasyfikator raportem klasyfikacji. 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:\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::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: wyjaśnij różnicę między cechami X i etykietą y. 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 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::housing_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: braki danych i outliery\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\n\nPolecenie: porównaj usuwanie outlierów z winsoryzacją. 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:\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::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: normalizacja i kodowanie\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: zastosuj StandardScaler lub MinMaxScaler we właściwym miejscu. 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; 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::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\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 model regresji dla zmiennej ciągłej. 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 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::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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:\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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: customers_like\nProblem: segmentacja bez etykiet\nKolumny: age, annual_income, spending_score\nTarget: brak\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: customers_like\n- typ problemu: segmentacja bez etykiet\n- kolumny: age, annual_income, spending_score\n- target: brak\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::customers_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja logistyczna\nDataset: iris_like\nProblem: klasyfikacja wieloklasowa\nKolumny: sepal_length, sepal_width, petal_length, petal_width, species\nTarget: species\n\nPolecenie: porównaj model przed i po skalowaniu. 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:\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::iris_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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 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:\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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: regresja liniowa\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 model regresji dla zmiennej ciągłej. 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:\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::bank_churn_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: titanic_like\nProblem: klasyfikacja binarna z brakami danych\nKolumny: age, fare, sex, pclass, embarked, survived\nTarget: survived\n\nPolecenie: wykonaj PCA po skalowaniu danych. 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:\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::titanic_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wyjaśnij różnicę między cechami X i etykietą y. 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 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::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz 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. 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 zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: klasyfikacja\nDataset: sales_like\nProblem: regresja i preprocessing kategorii\nKolumny: ad_spend, price, season, store_size, sales\nTarget: sales\n\nPolecenie: wyjaśnij różnicę między cechami X i etykietą y. 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 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::sales_like"} -{"instruction": "Na kolokwium dostajesz nieznany dataset podobny do ćwiczeń laboratoryjnych. Masz zastosować wiedzę z labów i wykładów, przygotować dane oraz dojść do sensownego wyniku.\n\nTemat: PCA\nDataset: housing_like\nProblem: regresja wartości ciągłej\nKolumny: area, rooms, age, distance_to_center, price\nTarget: price\n\nPolecenie: porównaj model z PCA i bez PCA. 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:\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::housing_like"}